卡帕西新作爆火：大模型开“议会”互怼评分，1.8k星刷屏GitHub

哈喽，大家好，杆哥这篇评论，主要来分析卡帕西新作爆火：大模型开“议会”互怼评分，1.8k星刷屏GitHub

人工智能圈的“创意达人”卡帕西又搞出大动静了！这次他推出的“大模型议会”Web应用，彻底打破了单模型问答的传统模式。

表面看这应用和ChatGPT没啥两样，都是输入问题等回复，但背地里却是多个顶尖大模型开“圆桌会议”——答题、互评、打分一条龙，最后由“主席”汇总出终极答案。

教程刚一发布就被网友疯狂收藏，GitHub上更是火速斩获1.8k星，连《Python机器学习》作者都直言这思路“太有潜力”。

三步走流程：大模型议会如何“开趴”？

卡帕西这套“大模型议会”系统，操作逻辑清晰明了，核心就三步流程，环环相扣还自带看点。

第一步是“集体答题”。通过OpenRouter中间层，同时调用四款顶尖大模型：GPT-5.1、Gemini 3 Pro Preview、Claude Sonnet 4.5和Grok-4。

这些模型会各自独立完成答题，之后系统会把所有回复以标签视图形式展示，方便用户随时核查每个模型的原始答案。、

第二步堪称精髓——“匿名互评”。所有模型的回复会被匿名处理后，分发给其他模型。没有了身份标签的干扰，就能最大程度避免偏袒。

每个模型要从准确性和洞察力两个维度，给其他对手打分，还得附上详细的评价理由，相当于一场“盲审”现场。

第三步是“主席定调”。系统会指定一名“主席模型”，整合所有模型的答题内容和互评结果，最终提炼出一份综合答案反馈给用户。

整个过程下来，不仅能直观对比不同模型的答题风格，连它们互相“挑刺”的细节都能看得一清二楚。

延续创新思路：从深度阅读到集体议事

其实“大模型议会”并非凭空出世，它是卡帕西此前“LLM分阶段深度阅读”项目的延续和升级。

那个阅读项目颠覆了传统模式，把人与大模型的协作分成了三个阶段。先由人通读全文建立直觉认知，再交给大模型拆解重难点、梳理结构，最后针对细节深度追问。

简单说就是先让大模型“吃透”内容，再由它当“翻译官”，把信息个性化传递给不同读者。

当“大模型议会”融入这套阅读流程后，还意外测出了各模型的“实力排名”。卡帕西发现，模型们互评时达成了高度共识

GPT-5.1的答案被公认为最有洞见，Gemini 3和Grok-4排在中间，Claude则被评为最弱。

但这个结果和卡帕西的主观判断并不一致。他认为GPT-5.1内容虽丰富但结构松散，Gemini 3的答案更简洁凝练，信息处理效率更高，而Claude的问题则是过于简略。

意外发现：模型比人还“谦虚”？

除了排名差异，实验中还有个让人意外的现象：这些大模型几乎没有明显偏见，甚至会主动承认自己的答案不如对手。

要知道，在人类评价场景中，“自卖自夸”或“恶意贬低”都很常见，但大模型在匿名状态下，反而能更客观地聚焦答案本身。

这种特性让网友看到了新可能：有网友直言，未来模型互评或许能发展成全新的“自动基准测试”体系，不用再依赖人工设计评测标准。

这一猜想并非空想。此前谷歌DeepMind就推出过自动评估模型FLAMe，用530万条人类评估意见训练，准确率甚至超过GPT-4o。

而卡帕西的“议会”模式，相当于让评估过程实时化、场景化，比传统基准测试更贴近实际使用场景。

1.8k星背后：多模型集成是未来方向？

短短时间收获1.8k星，足以证明“大模型议会”的受欢迎程度。这背后反映的，是行业对多模型集成方案的强烈需求。

过去大家总在追求“单个超算模型”，但卡帕西用实践证明，多个模型协同工作可能是更优解。

不同模型各有优势：有的擅长逻辑推理，有的主打简洁表达，有的在专业领域更精准，通过“议会”模式整合这些优势，答案质量自然更高。

OpenRouter近期的动态也印证了这一趋势，他们推出的“精准工具调用端点”，就是通过路由优化让不同模型各司其职，提升任务成功率。

卡帕西也明确表示，虽然模型自评和人类判断还存在差异，但多模型集成无疑是个巨大的可探索空间。

或许未来我们使用的AI产品，不再是单个“智能大脑”，而是一群模型组成的“智囊团”——开会、讨论、权衡利弊后，再给出最优解。而这次爆火的“大模型议会”，可能就是这个未来的起点。