当 LLM 裁判意见一致，我们该相信吗？

📋 概述

用多个 LLM 当裁判投票是常见做法，但文章指出关键问题不是有几位裁判同意，而是它们是否独立地同意：如果多数裁判共享提示词模板、训练谱系或模型家族，一致可能只是同一个错误的重复，票数会让证据看起来比实际更强。作者提出用 Ising 模型做依赖感知的标签聚合，把裁判面板当成网络来建模成对依赖，从而区分独立证据与共同盲点，在相关分类、毒性检测与摘要评估三个任务的十裁判面板上比加权多数投票提升 9% 到 14% 的准确率。