引入了一个名为SAGE-QA的新评估框架,以更好地评估生成式大型语言模型在闭域问答任务上的表现,特别是针对SQuAD 2.0基准。传统的精确匹配(EM)评分可能误导LLM,因为它会惩罚有效的释义。SAGE-QA结合了语义等价评分和基于段落的验证,以区分事实错误和词汇变化。在零样本评估中,Claude Opus-4.6和Gemini-3.1 Pro取得了高EM分数,但像Llama 3.3-70B这样的微调开放权重模型超越了它们,证明了参数高效微调的有效性。 AI
影响 引入了一种更强大的LLM评估方法,可能导致对生成式问答能力的更准确评估。
排序理由 该项目是一篇介绍LLM新评估框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Claude Opus-4.6
- Exact Match (EM)
- Gemini-3.1 Pro
- GPT OSS 20B
- Llama 3.3-70B
- Llama 3-8B
- Re-Validation Scoring (RVS)
- SAGE-QA
- Semantic Equivalence Scoring (SES)
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →