一篇研究论文详细介绍了 DS@GT ARC 在 Touché 2025 检索增强辩论任务中的提交内容，该任务涉及使用来自三个供应商的六个领先的大型语言模型 (LLM)。该任务包括生成辩论发言并根据会话准则对其进行评估。研究发现，虽然前沿 LLM 在生成响应方面非常有效，并且在充当评估者时在其模型家族内部表现出高度一致性，但这种内部共识并不能可靠地预测官方评估性能，尤其是在“质量”准则方面。 AI
影响 强调了 LLM 评估能力的局限性，表明当前模型可能无法可靠地评估复杂任务中响应质量等细微方面。
排序理由 在 arXiv 上发表的研究论文，详细介绍了 LLM 在辩论任务中的表现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.08143v1 Announce Type: cross Abstract: We extend the DS@GT ARC working-note submission to the Touch\'e 2025 Retrieval-Augmented Debate task. The task has two subtasks: generating the next utterance in a simulated debate, and evaluating debate responses according to the…
We extend the DS@GT ARC working-note submission to the Touché 2025 Retrieval-Augmented Debate task. The task has two subtasks: generating the next utterance in a simulated debate, and evaluating debate responses according to the Gricean maxims of Quantity, Quality, Relation, and …