一篇新的研究论文介绍了一个名为Contrastive-LM/CLM-v0.1-8B的开放式对比决策模型,该模型旨在用于评估大型语言模型。然而,该模型在多个公开基准上的表现不佳,在RM-Bench和JudgeBench上的得分接近随机猜测,并在HaluEval上持续将所有项目标记为相同类别。虽然其原始置信度过高,但校准后性能有所提升,但在关键评估中仍与随机猜测无统计学差异。研究还探讨了决策顺序翻转率和长度偏好转移,发现CLM-v0.1-8B在这些方面比生成式评委模型表现更好。 AI
影响 这项研究突显了开发可靠的基于LLM的评委模型所面临的挑战,并表明当前的开放式对比模型可能尚未达到其他评估方法的性能标准。
排序理由 研究论文,详细介绍了对一款新的基于LLM的评委模型的评估。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Benjamini-Hochberg correction
- Contrastive-LM/CLM-v0.1-8B
- Gowtham Kumar Nanda Kishore
- HaluEval
- Hugging Face
- JudgeBench: A Benchmark for Evaluating LLM-based Judges
- RM-Bench
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →