大型语言模型（LLMs）的出现为自动化软件工程活动开辟了新的可能性，这些活动传统上需要大量的人工投入。其中，类图生成是软件设计中一个关键但资源密集的环节。本文研究了包括GPT-5、Claude Sonnet 4.0、Gemini 2.5 Flash Thinking和Llama-3.1-8B-Instruct在内的最先进LLMs，从自然语言需求自动生成UML类图的能力。
为了评估基于LLM的模型生成的有效性和可靠性，我们提出了一种综合性的双验证框架，该框架将"LLM作为评判者"的方法与人机协同评估相结合。利用八个异构数据集，我们应用思维链提示来提取领域实体、属性和关联，并生成相应的PlantUML表示。
从五个质量维度对生成的模型进行评估：完整性、正确性、标准符合性、可理解性和术语一致性。两个独立的LLM评判者（Grok和Mistral）执行结构化的成对比较，并且它们的判断会进一步与专家评估进行对照验证。我们的结果表明，LLMs能够生成结构连贯且语义有意义的UML图，并与人类评估者达成高度一致。基于LLM的评估与人类评估之间观察到的一致性凸显了LLMs不仅在作为建模助手方面的潜力，而且在自动化需求工程工作流中作为可靠评估者的潜力，为LLM驱动的UML类图自动化的能力和局限性提供了实践洞察。