排序正确，尺度错误：审计 LLM 评委的职业 AI 测量

研究推出 O*NET-BENCH，基于 45,796 条工人评分构建，在 4,501 条测试评分上评估 33 个评委配置（覆盖六个模型族）。25 个配置的 tie-aware pair accuracy 至少 0.60，但评委估计 3.0%-97.9% 的回复可接受，远偏离职业匹配工人的 61.1%。校准后分数最多解释 8.5% 的个体评分方差，排序一致不足以支撑职业测量。