English(EN) Check The Scoreboard: An Analysis of Scoring Schemes on Multiple-Choice Evaluation

新研究建议为LLM基准测试采用替代评分方法

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

一篇新发表在arXiv上的论文探讨了自然语言处理（NLP）领域多项选择问答（MCQA）基准测试的替代评分方案。研究表明，传统的基于准确率的评分可能无法完全捕捉大型语言模型（LLMs）的能力。通过应用六种受教育学启发的评分方法，该研究发现这些替代方法可以改变LLM的排名，更好地预测LLM Arena等平台上的用户偏好，并揭示标准准确率指标无法显现的独特模型能力，如自我纠正和弃权。作者建议将这些更丰富的评分方法扩展到MCQA以外的任务。 AI

影响可能导致更细致的LLM评估，更好地反映用户偏好和独特模型能力。

排序理由该集群包含一篇分析LLM评估方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

本文如何被排名

Signal score: 24 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇分析LLM评估方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Nishant Balepur, Paiheng Xu, Wei Ai, Eunsol Choi, Rachel Rudinger, Jordan Boyd-Graber · 2026-09-01 04:00

查看记分板：对多项选择评估中的评分方案进行分析

arXiv:2608.29887v1 Announce Type: new Abstract: Multiple-choice question answering (MCQA) benchmarks in NLP use number-right scoring (accuracy), but in educational testing, the scoring scheme, the combination of the response mode models follow and the rule for grading responses, …

本文如何被排名

报道来源 [1]

查看记分板：对多项选择评估中的评分方案进行分析

相关实体

相关话题