研究发现，小型语言模型可以可靠地使用评分标准来批改考试

一项新的研究论文提出了一种名为“any-to-bench”的方法，该方法使用更小、更具成本效益的语言模型来批改开放式考试答案，前提是配有明确的评分标准。研究发现，评分标准，特别是官方答案，是可靠评分的主要因素，解释了95.6%的分数差异，而评分模型本身的智能影响很小。这种方法将评分与评判者的智能分离开来，表明在正确的框架下，小型模型可以在评估任务中实现高可靠性。 AI

影响 这项研究提出了一种更具成本效益的AI驱动评分方法，可能有助于更广泛地采用自动化评估工具。

排序理由 研究论文发布在arXiv上，详细介绍了一种新的评分方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• any-to-bench
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• ScienceCast

• 论文
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →