Claude Sonnet 5.5 作 LLM 裁判一致性异常低，reward hacking 判定标准过宽引质疑

有人实测发现 Claude Sonnet 5.5 作为 LLM 裁判时与其他模型裁判的一致性罕见地低：在 200 条轨迹上，它与 GPT-6 Luna、GPT-6 Astra 的 Cohen's κ 仅 0.16，与 Opus 5.5 为 0.33，而其他裁判之间普遍在 0.5-0.8。