企业雇人比较模型答案、解释问题所在，并提供更好的工作示例。在这种场景下，回复写得漂亮只是交付的一部分。买家购买的可能是一种并非来自受测模型本身的判断。

404 Media 报道称，参与 OpenAI 相关项目的三名承包人员介绍了禁止使用 AI 的规则，其中两人表示有人因违规使用 AI 而被撤出项目。为受访者中的两人提供项目的 Mercor 告诉该媒体，其合同禁止使用大型语言模型完成项目工作，一经证实违规就会将人员移出项目。OpenAI 拒绝置评。我们没有看到这些私人项目文件，也未独立核实个案。

有用的问题不止涉及某一个承包平台：当企业要求独立的人工审核时，应如何将这类工作与欢迎使用 AI 辅助的任务区分开？

重大变化

  • 变化内容：据报道的承包人员争议，凸显了一个冲突：AI 训练工作旨在提供已完成的答案，还是独立的人工评估？
  • 为何重要：Mercor 公布的试点将专业判断作为测量对象。用模型生成的排序取代这种判断，就会改变评估实际测量的内容，即使提交结果写得很专业也一样。
  • 关注事项：对于评估服务的买家而言，关键选择是哪些环节必须由人员独立判断。这一要求应写进任务说明，让工作者在接单前就能看到。

买家购买的可能正是独立判断

如果任务是快速产出初稿，AI 助手很有用。但如果任务要求提供参考答案或独立比较，且这种区别被隐瞒，AI 助手就会成为问题。

Mercor 公开列出的商业领域模型评估试点清楚说明了这一要求。专家要完成一项专业任务，对五个模型的尝试结果排序、评分，并撰写以证据为依据的理由。招聘信息称，不提供评分标准或标准答案，因为专业判断本身就是测量对象。它禁止在解题、排序、评分和撰写理由时使用 AI 助手。

这些条款描述的是一项试点。其比较依赖专业人员自己的评估；若将此评估委托给模型，实验本身就会改变。

合成反馈并非天然就是坏数据

人们很容易把任何 AI 生成的训练回复都与“模型崩溃”联系起来，但这里的证据不足以支持这种推断。《自然》发表的研究考察了递归训练情形，即用生成数据取代来自原始分布的数据。在这些实验中，后续模型逐渐丢失有关底层分布的信息。这种实验设置并非对据报承包工作所作的研究，论文也无法告诉我们某条具体评分是否影响了已部署的 OpenAI 模型。

另一项模型崩溃研究进一步说明了这种区别为何重要。研究作者发现，如果每一代生成数据取代了原始真实数据，就会出现模型崩溃；在他们的实验中，若保留真实数据，同时逐代累积合成数据，则可避免崩溃。该结果并不能证明所有混合方式都安全，但确实说明“AI 生成”本身不足以构成判断依据；数据来源、筛选方式和训练流程都很重要。

明确说明哪些工作流程获准

任务说明应列明允许使用的工具、哪些环节必须由人员独立判断，以及工作者应如何披露所获辅助。Mercor 的试点要求解题和评估都独立完成。委托 AI 辅助工作的买家，则应说明仍希望工作者提供哪些专业判断。

审核同样需要谨慎。404 Media 报道称，一份内部文件提醒审核人员不要使用 AI 检测工具，并称这类工具并不可靠。这符合一项基本管理原则：标点、速度或措辞流畅，都不能证明某人使用了模型。审核人员可以检查理由是否引用了源材料、请工作者解释某项决定、比较其重复提交的内容，并查看项目依法收集的工具记录。任何单一的文风线索都不应决定工作者的去留。

工作者需要的是可以申辩的规则，而不是猜谜游戏

独立承包人员可能很快失去项目访问权。因此，可信的制度应在付费工作开始前公开规则，区分疑似违规和已确认违规，并提供渠道，让工作者解释相关证据。这是关于公平程序的建议，并非对任何合同或法律权利的判断。

与此同时，工作者应将独立判断要求视为产品规格的一部分。如果认为必须使用获准工具，可以先询问再使用，或拒绝该任务。隐瞒辅助工具的使用，不会因为模型写得漂亮就变得可以接受；这就像禁止与外部合作者共同完成答案，即使答案正确，也不意味着违规可以接受。

明确说明判断来自何处

Mercor 公开的试点将产品规格写得很清楚：由专业人员独立评估。委托辅助工作的买家，也应同样明确说明允许使用哪些工具，以及工作者必须提供何种判断。