研究：LLM 评审很少胜过更强模型，验证与能力迁移被混淆

对 12 个开源模型（3B 至 72B）组成的 48 对组合、覆盖数学、知识、代码与推理的测试显示，在 96 个评审方向中，评审仅在 9 个方向上胜过单独使用更强模型，且能力差距越大表现越差。原因是锚定效应：评审模型大多跟随生成模型的答案，丢弃了自己原本正确的答案。评审成本是单独使用更强模型的 2.6 至 2.8 倍，而同样两次调用的选择器比评审准确率高 2.7 至 4.2 分且更便宜。