人评和机评有什么区别？一张表分清

评测一个 AI 模型，分数从哪来？人评与机评是两条路。结论先行：有标准答案的题交给机评，开放创作与需要专业眼光的题交给人评，规模化评测用「机评为主、人评抽检」的混合制。人评和机评的差别，从准头、成本、稳定性三个维度看最清楚。

差别一：准头与偏好

人评擅长捕捉细腻差异，比如回答是否贴题、语气是否得当，但评审者之间水平不一，容易各打各的分。机评标准统一，却可能继承判分模型的偏好，比如偏爱某种句式或更长的答案——把腾讯元宝当判分模型用时，先测它对不同句式的打分是否稳定。哪类题适合机判、哪类必须人评，与题型本身有关，见客观题和主观题评测有什么区别。

差别二：成本与速度

机评的边际成本极低，一夜能跑完上万题，Kimi、通义千问这类判分接口一晚就能出结果；人评每题都要花钱花时间，通常只能覆盖小样本。所以大规模初筛靠机评，关键题型与争议样本再交人工，通用榜和领域榜在判分侧重上也因此不同，见通用榜和领域榜有什么区别。

差别三：一致性与可解释

机评的一致性好，同一题跑两遍结果稳定；人评的一致率要专门去验，评审者对同一答案的打分可能前后不同。但出问题时，人能讲清扣分理由，机评给的理由可能似是而非。另外机评再稳定，题集固定久了也会失真，见固定集和动态集有什么区别。

混合制怎么落地

推荐三步走：机判全量打底，人评按题型分层抽检，抽检偏差超阈值就回修机判模板。落地时把机判提示词与人工评分细则都写成文档，评审结果才可追溯；整套流程固化下来就走向自动化，见评测自动化是怎么搭的。

评分细则怎么写才不出偏

人评前先写细则，细则的核心是给每一档分数配一条范例答案：满分档是什么样、及格档是什么样、不合格档长什么样，评审对照范例打分，分歧会小很多。细则还要说明扣分项与一票否决项，比如事实错误直接降档、格式违规如何计。机评侧同理，模板要写明命中什么给分、命中多处是否叠加，规则藏在代码里等于没写。细则定完先做一轮试评，几名评审各打十道题对一对，分歧大的条目回炉修改细则再正式开跑。这套动作多花半天，能省掉后面几轮返工，也给新加入的评审一份可查的依据。

细则之外，评审培训同样重要。新人进组先跟一轮盲评，与标准答案的偏差在可接受范围内再独立打分。评审之间定期互看样本，讨论分歧最大的十道题，标准会在讨论中慢慢对齐，这比一纸细则更能稳定长期质量。

评分表本身也要留版本号，同一批答案用新旧两版细则打分，结果可能差出一档，比较之前先确认用的是哪一版。

人评与机评对照表

• 准头：人评细腻，机评统一但可能带偏
• 成本：机评低，人评高
• 一致性：机评稳定，人评需验一致率
• 推荐用法：机评打底，人评抽检兜底

关于人评和机评再多问三句

• 机评能完全替代人评吗？：目前不能，判分模型的偏好没有可靠的自查手段，人工抽检仍是必要的校准环节。
• 人评找谁评更靠谱？：优先找与题目场景匹配的人，数量少但对口，胜过人多而不对口。
• 机评分数会被刷吗？：会，针对判分模型的输出风格优化答案就能提分，这也是机判模板要保密的原因。