SANE：面向 LLM 裁判的自动化评分器特定 metamorphic 测试框架

研究人员提出 SANE，一个基于智能体的自动化测试框架，可为 LLM judge（大语言模型裁判）自动生成评分器特定的扰动测试用例并验证其有效性。在五个领域中，SANE 生成的有效测试族数量是 Judge Reliability Harness（JRH）的 3.7 倍，并在专业性与毒性等 JRH 检测不到问题的领域发现了评分器缺陷。