热点事件持续更新
实测 LLM 评审 RAG 质量，gpt-4.1-nano 接近随机
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月，Giulio Zeloni 团队提出 evidence-first 的质量门禁框架 AGO，并对 LLM 能否胜任 RAG 质量评审做了实测。实验在 RAGBench 上进行，每评审 1200 个样本：gpt-4.1-nano 检测违规回答的 AUROC 仅 0.603，勉强高于随机水平；gpt-4o 的 AUROC 为 0.783。分领域来看，AUROC 在 0.62–0.88 之间波动。报道据此指出，gpt-4.1-nano 的评审表现接近随机。目前这是该事件公开披露的最新进展，暂无后续更新或更正。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- AGI Hunt实测 LLM 做 RAG 质量评审：gpt-4.1-nano 的 AUROC 仅 0.603
Giulio Zeloni 团队提出 evidence-first 质量门禁框架 AGO，并实测 LLM 评审 RAG 的质量：在 RAGBench 上每评审 1200 样本，gpt-4.1-nano 检测违规回答的 AUROC 仅 0.603，勉强高于随机，gpt-4o 为 0.783，但分领域在 0.62–0.88 之间波动。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。