LLM 智能体评审的分数与覆盖度为何脱钩：一项基于 960 次会话的研究

基于 960 次会话、2 组模型对和 15 项任务的实验显示，基于人格设定的 LLM 智能体评审在 Turing 式验证中给出的评价与人类评分者难以区分。研究进一步发现分数与覆盖度脱钩：质量分数随评审团规模呈对数增长，而独立问题发现遵循次线性幂律，分数饱和速度约为发现速度的两倍。消融实验证实，这种扩展特性依赖结构化人格设定而非简单提示词。