BinEval 把評估拆成是非題這招挺妙，虛報分數的空間直接被壓縮，表面通順但事實錯誤的幻覺終於能被揪出來了

BinEval 將評估轉化為是非題，逐題作答後以正確率計分，提升透明度並抑制虛報。研究表明其打分在多數據集接近或超越 Unieval，且尤擅長發現表面通順卻事實錯誤的回答。以飛機攔截摘要為例，舊裁判給滿分5.0，BinEval通過七道是非題得1.57，接近人類2.0。反饋優化提升格式合規性約17個百分點，但對字數等硬性約束仍難以改善。