一篇新近发表在arXiv上的研究揭示了大型语言模型(LLMs)在评估想法创新性方面存在显著的不稳定性。研究人员发现,为LLM评估者设计的提示词的微小改动会极大地改变其评估结果,有时甚至导致准确率低于随机猜测水平。即使在呈现相同的想法对时,仅仅告知LLM先前审稿人的意见就可能使其在超过一半的案例中翻转其判决。研究还指出,检索增强和更大的推理预算几乎没有带来改进,而专门设计的创新性评估器表现甚至不如一个基础的提示词LLM基线。这些发现对自动化构思系统报告的创新性提升提出了质疑,并强调了需要更稳健的评估方法。 AI
影响 引发了对AI生成想法的可靠性以及用于评估这些想法的方法的担忧。
排序理由 学术论文,详细介绍了对LLM评估方法进行的受控研究。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →