据 Ethan Mollick 在 X（Twitter）发布的消息称，许多基准以更小更便宜的 LLM 充当评审，但新研究显示弱评审无法可靠评估更强模型；基准应视为“数据集、被测模型、评审”三元组，评审正成为饱和瓶颈（来源：Mollick 2026 年 2 月 22 日帖子）。据 Mollick 转述，该研究表明当评审能力落后于被测模型时，评估出现系统性偏差与性能低估。这对以分数驱动上线的 AI 产品带来业务风险，也为提供高能力评审、人机协同裁决与元评测工具的厂商带来市场机会。根据 Mollick 的总结，论文建议基准设计者公开评审规格、测试评审一致性，并在评测前沿模型时配置更高能力的评审预算。