研究人员开发了SANE,一个用于自动化大型语言模型(LLM)裁判的变异测试的新框架。这个基于代理的系统生成评分者特定的扰动配方和预期的分数关系,从而增强了LLM评估器的可靠性测试。SANE通过生成更多经过验证的测试家族并在包括专业性和毒性在内的各种领域检测评分者缺陷,显著优于Judge Reliability Harness (JRH)等现有方法。 AI
影响 增强了基于LLM的评估系统的可靠性和可信度,这对于模型的开发和部署至关重要。
排序理由 该集群包含一篇详细介绍LLM测试新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- DagsHub
- FaithBench
- Gotit.pub
- Hugging Face
- Judge Reliability Harness
- LLM judges
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →