只有当批评模型超越法官能力时，辩论才有助于弱法官
关于ai辩论的研究发现，只有当批评模型在分类能力上超越法官时，弱法官才能更好地识别正确答案。
一项研究将 **Claude Opus 4.6** 等模型与 **Opus 4.5** 等较弱的评估模型配对，发现辩论在 F1 得分中比咨询高出约 14-16 个百分点，但前提是特定条件下。 当批评模型的分类能力超过评估模型的分类能力，并且评估模型积极验证批评而非将其视为权威时，辩论便取得了成功。 研究人员发现，主要受益于首条批评信息，驳斥环节在推理过程中几乎没有增加价值。 结果表明，辩论是可扩展监督的部分解决方案，需要审计以确保批评者实际上可以识别出评估者会忽略的错误。