---
title: "Cos’è LLM-as-a-judge? Le eval valutate da un modello"
description: "Con LLM-as-a-judge un modello linguistico valuta gli output di un altro secondo una rubrica. Come funziona, i bias noti e come rendere affidabili i suoi punteggi."
url: https://broadrouter.com/it/glossary/llm-as-judge/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/llm-as-judge/) (aggiornato il 2026-11-14).

# LLM-as-a-judge (LLM come giudice)

Aggiornato 2026-11-14

LLM-as-a-judge è un metodo di valutazione in cui un modello linguistico giudica gli output di altri modelli, dando un punteggio a una singola risposta secondo una rubrica oppure scegliendo la migliore tra due. Approssima il giudizio umano a un costo molto più basso, ma ha bias noti, come preferire la prima risposta o quella più lunga.

Detto anche: LLM come giudice, LLM giudice, modello giudice, valutazione con LLM, valutazione automatica con LLM, LLM-as-a-judge, LLM as a judge, LLM judge, model-graded eval, AI judge, LLM grader

LLM-as-a-judge sostituisce un valutatore umano con una chiamata a un modello: gli dai la domanda, la risposta e una rubrica, e ricevi un punteggio.

## Come funziona

Il metodo è stato studiato a fondo da Zheng et al. (2023), che per testarlo hanno costruito MT-Bench (domande a più turni) e Chatbot Arena (voti testa a testa raccolti in crowdsourcing). Il risultato principale: GPT-4 come giudice concordava sia con le preferenze degli esperti sia con quelle del pubblico “at over 80%” (traduzione: in oltre l’80% dei casi), lo stesso livello di concordanza tra esseri umani.

Ci sono due configurazioni comuni:

-   **Valutazione della singola risposta.** Il giudice dà un punteggio a un output su una scala, per esempio da 1 a 5, secondo criteri scritti. La guida ai grader di OpenAI lo chiama grader `score_model`, che restituisce “a numeric score based on the prompt within the given range.” (traduzione: un punteggio numerico basato sul prompt, entro l’intervallo indicato).
-   **Confronto a coppie.** Il giudice vede due risposte alla stessa domanda e sceglie la migliore, oppure il pareggio.

Un prompt per il giudice di solito include la domanda originale, la risposta, una risposta di riferimento se ce l’hai e una rubrica. Chiedi una breve motivazione prima del punteggio, e vincola il punteggio con un [output strutturato](https://broadrouter.com/it/glossary/structured-output/) così il tuo codice può leggerlo.

## Perché è importante

La valutazione umana non scala a migliaia di casi di [eval](https://broadrouter.com/it/glossary/eval/) per ogni modifica al prompt. Un giudice sì, ma porta con sé bias che Zheng et al. hanno misurato:

| Bias | Cosa succede | Mitigazione |
| --- | --- | --- |
| Posizione | Preferisce la prima (o la seconda) risposta | Inverti l’ordine e richiedi concordanza |
| Prolissità | Preferisce le risposte più lunghe | Rubrica che premia la sintesi; limiti di lunghezza |
| Auto-favoritismo | Preferisce lo stile del proprio modello | Usa un modello diverso come giudice |

I giudici sono deboli anche nel controllare calcoli e fatti che non possono verificare. In quei casi, dai al giudice una risposta di riferimento oppure usa controlli via codice. Un giudice che non vede le [allucinazioni](https://broadrouter.com/it/glossary/hallucination/) dà una falsa sicurezza.

## Su BroadNet Inference

BroadNet non offre un servizio di valutazione ospitato; scrivi tu la chiamata al giudice verso l’endpoint chat completions. Le chiamate del giudice si pagano come qualsiasi richiesta, quindi un giudice che legge risposte lunghe aggiunge [token di input e di output](https://broadrouter.com/it/glossary/input-and-output-tokens/) per ogni caso. Stima il costo di un’esecuzione con il [calcolatore dei costi delle API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Se il giudice è un modello di ragionamento, lascia margine in `max_tokens`, perché il ragionamento ci rientra. Per il processo completo, vedi [valutare un LLM prima di cambiarlo](https://broadrouter.com/it/blog/evaluate-llm-before-switching/).

## Domande frequenti

### Quanto è accurato un LLM come giudice?

Zheng et al. hanno rilevato che GPT-4 usato come giudice concordava con le preferenze umane in oltre l’80% dei casi, più o meno la stessa percentuale con cui gli umani concordano tra loro. Verifica la concordanza sul tuo compito prima di fidarti.

### Il giudice deve essere lo stesso modello che sto testando?

Meglio di no. Zheng et al. riportano un bias di auto-favoritismo, e le indicazioni di Anthropic considerano buona pratica usare un modello diverso per valutare.

### Come riduco il bias di posizione nei confronti a coppie?

Esegui ogni confronto due volte invertendo l’ordine delle risposte, e conta una vittoria solo se il giudice sceglie la stessa risposta entrambe le volte.

## Vedi anche

-   [Eval (valutazione degli LLM)](https://broadrouter.com/it/glossary/eval/) (termine)
-   [Allucinazione (hallucination)](https://broadrouter.com/it/glossary/hallucination/) (termine)
-   [Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/) (termine)
-   [Temperatura (temperature)](https://broadrouter.com/it/glossary/temperature/) (termine)
-   [Token di input e di output](https://broadrouter.com/it/glossary/input-and-output-tokens/) (termine)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-llm-as-judge&utm_content=page-cta) ·

**Fonti**

-   [Zheng et al., Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena (arXiv)](https://arxiv.org/abs/2306.05685)
-   [Anthropic, creare valutazioni empiriche solide (valutazione basata su LLM)](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests)
-   [OpenAI, guida ai grader (grader score\_model)](https://developers.openai.com/api/docs/guides/graders)
