苹果研究：LLM 评审在个性化写作风格评估中的可靠性

导读

苹果研究团队评估了 LLM 评审在个性化写作任务中的表现，用 4 个 LLM 生成 3 类长文写作任务的文本，并收集人类成对偏好标注与评审 LLM 的成对排序标注进行对比。