科技媒体NeoWin报道，苹果公司与剑桥大学近日联合提出一项创新AI评估系统，通过引入外部验证工具增强AI评审员的判断能力，有效提升大语言模型（LLM）的评估质量。研究团队在论文中指出，当前广泛采用的"LLM-as-a-judge"方法虽能提高效率，但在处理复杂任务时仍存在准确性问题。

新系统采用自主评估代理机制，分三步完成评审：首先进行领域评估，随后调用网络搜索、代码执行等专用工具验证事实与逻辑，最终由AI综合决策。该系统特别针对人类评审易受主观影响、AI处理复杂任务能力不足等痛点，在保持基础模型效率的同时，显著提升了数学运算、代码验证等高难度场景的评估可靠性。