一篇新发表在 arXiv 上的研究调查了 LLM 裁判在评估 AI 模型响应方面的可靠性。研究人员发现,即使指令发生微小变化或相同设置重复运行,也可能显著改变单个判决结果,尽管聚合分数保持相似。这种敏感性凸显了当 LLM 生成的判决被用作偏好标签或评估单个响应时可能存在的问题,表明评估应包含提示级别的协议度量以及聚合分数。 AI
影响 凸显了基于 LLM 的评估中潜在的不可靠性,影响了模型性能的评估和比较方式。
排序理由 详细介绍 LLM 评估方法和发现的学术论文。[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 →