English(EN) Rethinking Verbalized Confidence for LLM-as-a-Judge: A Compatibility Shift on Post-2025 Proprietary Models

LLM作为裁判：口头置信度在新模型上优于对数概率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-11 04:00

一篇新的arXiv论文提出了一种转变，关于如何将大型语言模型（LLM）用作裁判，建议对于2025年后的专有模型，口头置信度已成为比对数概率更稳健的评分机制。研究表明，这种“兼容性转变”在SummEval、AggreFact和HelpSteer2等各种基准测试中显而易见，涉及多达18个LLM。该论文引入了过度自信咨询和自我辩论来改善校准和分数分布，并指出与旧模型不同，新模型能以最小的成本适应这些补充。 AI

影响提出了一个评估LLM的新标准，可能影响模型能力如何被基准测试和比较。

排序理由发布在arXiv上的研究论文，详细介绍了一种新的LLM评估方法。[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: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发布在arXiv上的研究论文，详细介绍了一种新的LLM评估方法。[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, model release; 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) · Yu-Chung Hsiao · 2026-09-11 04:00

重新思考LLM作为裁判时的口头置信度：2025年后专有模型兼容性转变

arXiv:2609.10996v1 Announce Type: new Abstract: Verbalized confidence, long dismissed as overconfident, coarse, and prone to round-number clustering, is now the more robust soft-scoring mechanism for LLM-as-a-Judge on top-tier proprietary models. Across SummEval, AggreFact, and H…

本文如何被排名

报道来源 [1]

重新思考LLM作为裁判时的口头置信度：2025年后专有模型兼容性转变

相关实体

相关话题