Pointwise 单输出打分范式

单输出点打分评估范式 (Pointwise Evaluation) 是大语言模型作为裁判 (LLM-as-a-Judge) 时最基础的评估工作流；在评估时，裁判大模型每次仅接收一个待评估模型的单个回答（以及可选的标准参考答案与上下文背景），并根据预先详细定义的结构化评分量规 (Scoring Rubric，如 1-5 分或 1-10 分的分级评分标准)，采用 Chain-of-Thought 强制先撰写详细的评判理由与优缺点剖析，最后输出最终的标量得分（如 `Score: 8.5`）；系统随后对海量测试集的单点得分计算均值与方差。

批量评估自动化回归测试、模型版本迭代质量监控、单问答打分与内容合规性量化评估。

传统基于字面重合度的指标（BLEU, ROUGE）无法评估开放式问答的深刻逻辑与事实准确性；Pointwise 范式利用 LLM 的语义理解能力实现了自动化打分，相比人工标注成本降低 99% 且具备极高的吞吐量。

详细设计一份标准化的 1-5 分 Rubric 评分量规（定义每个分值段的具体合格条件与扣分红线）？

为什么在打分 Prompt 中强制要求裁判模型“先写评判理由 (CoT Explanation)，最后再输出数字分数”能大幅提高打分一致性？

分析 Pointwise 评估中常见的“分数膨胀与中间聚集 (Score Clustering / Central Tendency Bias)”现象及其校准方案？

Reference-based (有参考金标准答案) vs Reference-free (无参考答案纯裁判) 在事实准确性评估中的表现与成本差异？

使用多个独立裁判模型（如 GPT-4o + Claude 3.5 + Gemini 1.5）组成裁判陪审团 (Judge Ensemble) 取中位数的降噪策略？