BinEval 把评估拆成是非题这招挺妙，虚报分数的空间直接被压缩，表面通顺但事实错误的幻觉终于能被揪出来了

BinEval 将评估转化为是非题，逐题作答后以正确率计分，提升透明度并抑制虚报。研究表明其打分在多数据集接近或超越 Unieval，且尤擅长发现表面通顺却事实错误的回答。以飞机拦截摘要为例，旧裁判给满分5.0，BinEval通过七道是非题得1.57，接近人类2.0。反馈优化提升格式合规性约17个百分点，但对字数等硬性约束仍难以改善。