我认为这里发生了一些重要的事情，值得我们去弄清楚： 1）大多数模型对评估过拟合。也就是说，我们需要一些评估来告诉模型它们是否是好的胡说八道探测器，然后再去花一大笔钱返回无意义的内容。 2）需要意识到谄媚，通常来说，过于迎合并不总是最好的选择。 3）我认为使用混合的 llms 和人类来判断会很有价值。