智源研究院开源了一种名为 JudgeLM 的裁判模型，可以高效准确地评判各类大模型。与 GPT-4 相比，JudgeLM 仅需 1/120 的成本，就能达到 90% 以上的评判结果一致性。JudgeLM 可应用于纯文本、多模态等多种评判场景，并可以输出评分、判断和阐述理由。通过创新方法，JudgeLM 与参考答案的一致性最高超过了 90%，接近人类表现。智源研究院还开源了一个包含训练和验证样本的数据集，用于深入研究大语言模型裁判。未来，JudgeLM 团队将进一步完善这一裁判模型，提供更准确、高效、覆盖更多场景的大语言模型评判。