多智能体代码裁判何时有依据：两项无标签测量与拒答机制

一个语言模型判断另一个模型的代码是否正确时，通常不会报告缺乏证据，而是给出附带推理的自信结论，与有依据的结论难以区分。多智能体验证将判断拆成可检验主张，再用证据逐一核实；在证据来自检索文档时很有效。本文认为，证据须独立于被审答案，且能区分两个候选。第二个条件在检索文档中自然成立，在代码裁判中却可能失效。作者不改动已发表的 MARCH 框架，在两个代码评测基准的 80 个条件—单元测量上运行，发现其在 78%—95% 的比较中判两解同样好；某处准确率仅 4.4%，而直接问同一模型可达 43.7%。更容易的问题或更大裁判均未改变这一现象。两项来自流水线自身日志、无需标签的测量能解释问题。以其中一项作为门控，系统拒绝无法比较的案例，在仍回答全部比较一半的情况下，把准确率从 20.7% 提至 36.9%。贡献并非更准确的裁判，而是无需标签即可判断裁判何时没有作答依据。