如果你在用 LLM 做评审，这篇值得看。（建议收藏） 这是目前很实用的一种评估方法。 传统整体评分会隐藏模型的判断过程，也容易出现评分上限的问题。 BINEVAL 的做法是：把每个评估标准拆成多个简单的是/否问题，分别判断，然后再汇总成多维评分。 每个问题的判断都能单独查看，所以可以清楚知道哪里做得不好；这些结果还能直接用来优化提示词。 在 SummEval、Topical-Chat、QAGS 上，它不需要训练，效果和 UniEval、G-Eval 相当甚至更好，尤其在事实准确性上更强。 论文：