AI研究对同一 LLM 评审的相同请求重排后 Spearman 仅为 0.400两项预注册研究甚至没能走到正式实验阶段。先在可靠性门槛上出局的是测量工具本身，审计了近 53,000 次请求、覆盖四家提供方后仍然如此。2小时前
