PulseAugur
中
实时 14:02:39
实体 Cheap, Consistent, Calibrated, but Biased? Typed Decision Models as Judges

Cheap, Consistent, Calibrated, but Biased? Typed Decision Models as Judges

PulseAugur coverage of Cheap, Consistent, Calibrated, but Biased? Typed Decision Models as Judges — every cluster mentioning Cheap, Consistent, Calibrated, but Biased? Typed Decision Models as Judges 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_301944 ·

    新的 arXiv 论文揭示 LLM 裁判显示出关键的不可靠性

    近期研究强调了大型语言模型 (LLM) 裁判的重大不可靠性，这是许多评估流程中的关键组成部分。研究表明，即使在相同的提示和零温度设置下，LLM 裁判也会产生不一致的判决，其中一个裁判只有 51% 的时间同意基本事实。此外，更便宜的替代方案，如类型化决策模型，虽然更一致且成本效益更高，但存在偏见，尤其是在受到情绪基调影响时，会大大降低准确性。事实对齐方法也显示出较差的可复现性，并且未能持续提高事实准确性，这表明当前的评估实践可能存在缺陷。