Числовые оценки LLM-судьи обманывают: парное сравнение работает в три раза лучше

67% сравнений заканчиваются ничьёй, когда просишь LLM поставить баллы нескольким вариантам — и выбор превращается в жребий. Реальная полезность такого судьи: 21% от возможного максимума. Парное сравнение убирает ничьи с 60% до 4% и поднимает полезность до 61%. Метод позволяет надёжно выбирать лучший вариант из нескольких без случайных ничьих — для заголовков, офферов, ответов поддержки, любых текстов. Фишка: не «оцени от 0 до 100», а «что лучше — A или B?» Числовая шкала даёт всего ~20 реальных градаций из 100 — два достойных варианта попадают в одну категорию и получают одинаковый балл. Парное сравнение меняет задачу. В 97.9% случаев, где числа давали ничью, пара находила победителя — и угадывала правильно в 78% из них.