一句话定义
Rubric 评分（rubric scoring，也叫量表打分）就是先把"什么算好"写成一张评分细则表——有哪几个维度、每个维度分几档、每档长什么样——再让评分者（人或模型）逐条对照打钩，最后合计出一个总分。
打个比方
体检，和医生一句"你身体还行"的区别。后者是一句整体印象，前者是血压、血脂、肝功能逐项查，每项有参考区间和分级。拿到报告你能指着某一项说"这条超标了"，也能就这一项跟医生讨论。Rubric 就是给"这个回答好不好"做一次体检。
一份能用的 rubric 通常包含三样东西：评分维度（criteria）、每个维度各档的行为描述（level descriptors）、以及合计规则（等权求和、加权，还是允许某项一票否决）。
一个具体例子
假设要评估客服机器人的回复：
- 是否解决用户实际问题：0 = 没解决，1 = 部分解决，2 = 完全解决
- 引用的订单/政策信息是否正确：0 = 编造或缺失，1 = 有但含糊，2 = 准确具体
- 语气是否得体：0 = 生硬或过度热情，1 = 尚可，2 = 恰当
- 是否给出下一步动作：0 = 无，1 = 模糊，2 = 明确可执行
四项各 0–2 分，满分 8 分。但真正有用的不是总分，而是逐项分数：你能看出这版模型是"信息准但不会收尾"，还是"话说得漂亮其实没解决问题"。
和几个容易混的概念比一比
| 概念 | 回答的问题 | 结果形态 |
|---|---|---|
| Rubric 评分 | 好在哪、有多好 | 多维度分 + 总分 |
| 整体打分（holistic scoring） | 总体感觉几分 | 单个分数 |
| 二元判定 | 对还是错 | 通过 / 不通过 |
| 偏好对比（pairwise） | A 和 B 哪个更好 | 二选一 |
还有一组关系常被搞混：LLM-as-a-judge（让模型当裁判）说的是"谁来评"，rubric 说的是"按什么评"。裁判手里没有量表，就容易每个答案都给个不低的分数，还偏爱更长的回答、更像自己风格的回答。给裁判配一份 rubric，本质上是把评分标准从模型脑子里挪到纸面上。
对从业者和普通人的意义
- 评测可复现：别人不同意你的结论时，争论点会落到"这条该不该给 2 分"，而不是"我感觉这版更好"。
- 标注更一致：同一份细则发给多个标注员，人和人之间的分歧会明显下降。
- 能当训练信号：逐条得分可以直接拼成奖励，引导模型往具体细节上靠。
- 写提示词就能用：把要求列成清单再交给模型，等于临时塞给它一份 rubric，比"写得好一点"有用得多。
别踩的坑
维度之间重叠（比如"准确"和"不编造"可能是同一件事）会导致重复计分；细则写得太窄，模型会学会应试，分高但实际没用；权重和及格线是人为约定，跨团队比较之前先对齐细则本身。另外，rubric 适合开放式、没有唯一答案的任务（写作、摘要、客服回复）；有标准答案的场合，直接判对错更省事。