一项新研究评估了大型语言模型(LLMs)在评估响应时作为法官的功能,发现语言偏好会显著影响其判断。该研究引入了Judge-LS协议,该协议使用英语、中文以及响应对的语言切换变体来测试LLM法官。结果显示,与英语相比,中文和语言切换的呈现方式在10.7%至14.4%的案例中导致了偏好翻转,所有测试的法官在英语中的表现最佳。然而,该研究并未发现当翻译等效时存在系统性的偏向英语的偏见,因为大多数此类探测被判断为平局,而非平局的决定有时偏向中文。 AI
影响 揭示了LLM评估指标中潜在的偏见,强调了对更鲁棒、语言不变性评估方法的需求。
排序理由 该集群包含一篇详细介绍LLM新评估协议的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →