SANE：面向 LLM 评审器的自动化评分器专属蜕变测试框架

SANE 是一个基于智能体的框架，可将随机评估器的行为要求编码为可复用的智能体指令，自动为每个评分器推导扰动配方与预期分数关系。在五个领域中，SANE 生成的已验证测试族数量是 Judge Reliability Harness（JRH）的 3.7 倍，并在每个领域都检测出评分器缺陷，包括 JRH 未能检出的专业性与毒性领域。