为 LLM 判官提供依据：要在你实际运行的模型上测量

作者在 Pulsed Media 生产环境中测试单词级 BLOCK/PASS 审核判官：要求每次 BLOCK 引用命中的原文后，干净评论通过数从 24 条中的 18 条提升到 24 条；但在其生产模型上，同一改动使真实违规漏放从 10 次中 2 次升至 5 次，上线前准备的回滚规则在一天内将其撤下。

AI推荐理由 文章以生产环境实测说明 LLM 审核判官要求引用原文可减少误拦，但同一改动在所用模型上放过了更多真实违规，最终回滚。提供了具体数字和失败案例，对 LLM-as-judge 落地有实际警示价值。