团队准备用另一个大模型给回答自动打分，你会怎样校准 LLM-as-a-Judge，避免评测结果看起来精确却不可信？
考察说明
考查模型评审标准、偏差校准和人工金标准建设能力。
回答思路
- 先把评分拆成事实、完整、指令遵循和表达等明确维度，并为各等级提供可操作标准与边界例子。
- 建立由领域人员复核的代表性金标准集，比较评审模型与人工一致性和不同错误类型的偏差。
- 隐藏被评模型名称并随机答案顺序，控制长度、位置和措辞偏好，避免评审器偏爱特定风格。
- 关键事实和结构约束优先使用程序校验，评审模型只处理确实需要语义判断的部分。
- 模型、提示或任务分布变化后重新校准，并对低一致性与高风险样本保留人工复核而非强行自动化。