跨模型审查何时有效？LLM 验证中的跨模型评审实验

一项受控实验用 30 个工件、150 个植入错误、10 种审查条件和 900 次审查会话，测试了来自两家开发商的三个审查模型。顶级跨模型审查者的 F1 与同模型新会话审查（CCR）无显著差异，但两者发现的错误仅部分重叠（Jaccard 41.2%）。