本文介绍了一个统计框架,用于评估大型语言模型(LLMs)和多模态大型语言模型(MLLMs),该框架结合了直接人工审计和LLM辅助方法。它提出了用于直接审计的置信度分层采样,以提高准确性估计,即使在自我评估校准不准确的情况下也是如此。对于LLM辅助评估,本文使用敏感性和假阳性率来模拟裁判的表现,从而推导出误差校正估计器。在MMLU-Pro和MMMU-Pro上的实验表明,虽然LLM辅助评估可以提供效率,但其实际效益受到推理成本和应用特定条件的限制。 AI
影响 提供了一个新的统计框架来评估LLMs和MLLMs,有可能提高模型评估的效率和准确性。
排序理由 论文发表在arXiv上,详细介绍了LLM和MLLM评估的新统计框架。[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 →