卡帕西“大模型议会”新玩法：四大AI匿名互评，谁是最强引热议

编程界又迎来一项创新成果——知名技术专家卡帕西推出了一款名为“大模型议会”（LLM Council）的Web应用。这款应用虽然外观与常见的聊天机器人界面相似，但背后却藏着独特的运行机制：当用户提出问题后，系统会借助OpenRouter同时唤醒多个大模型，让它们共同参与问题解答。

这款应用的流程设计颇具巧思，主要分为三个步骤。第一步是“群策群力”，系统会同时调用GPT-5.1、Gemini 3 Pro Preview、Claude Sonnet 4.5和Grok-4等多个大模型，让它们针对同一问题各自生成回答，并将这些回答以标签视图的形式呈现给用户，方便对比查看。第二步是“匿名互评”，所有模型的回答会被匿名处理后分发给彼此，每个模型需要根据回答的准确性和洞察力进行评分，并附上详细的评价理由，避免因模型身份产生偏见。第三步是“主席汇总”，系统会指定一个主席模型，将所有模型的回答和评分进行整合，最终生成一个综合答案反馈给用户。

在实际测试中，卡帕西发现了一些有趣的现象。例如，当多个模型共同评价彼此的回答时，GPT-5.1的答案被一致认为最具洞见，Claude的回答则被认为最弱，Gemini 3和Grok-4的表现处于中间水平。不过，卡帕西个人并不完全认同这一结果：他认为GPT-5.1的回答虽然内容丰富，但结构不够紧凑；Gemini 3的答案更简洁凝练，信息处理更到位；而Claude的回答虽然简略，但也有其独特之处。更令人意外的是，模型们在互评时很少表现出明显偏见，甚至会主动承认自己的答案不如其他模型。

这一项目在GitHub上公开后，迅速吸引了大量关注，目前已获得1.8k颗星。有网友认为，这种模型互评的模式或许能成为一种新的“自动基准测试”，为评估大模型性能提供全新思路；畅销书《Python机器学习》的作者也对该思路表示看好。卡帕西表示，虽然模型自评的结果可能与人类主观感受存在差异，但这种多模型协作的方式无疑为大模型的应用开辟了新的可能性，未来或许会成为LLM产品的重要发展方向。