PulseAugur
中
实时 05:09:24
实体 Agent-as-a-Judge benchmark

Agent-as-a-Judge benchmark

PulseAugur coverage of Agent-as-a-Judge benchmark — every cluster mentioning Agent-as-a-Judge benchmark across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. TOOL · CL_218012 ·

    新方法校准多语言LLM评委以提高一致性

    研究人员开发了一种名为共识校准（CBC）的新方法，以解决多语言大型语言模型（LLM）评委中的排名反转问题。该技术将LLM评委得分分解为任务难度、骨干技能和语言-骨干交互项，从而无需人工标签即可进行校准。实验表明，CBC显著提高了不同语言和骨干模型之间的排名一致性，并增强了与基准任务上人类偏好的_一致性。