Retrieval-Augmented Debate

研究发现，大型语言模型在辩论生成方面表现出色，但在评估方面存在困难

一篇研究论文详细介绍了 DS@GT ARC 在 Touché 2025 检索增强辩论任务中的提交内容，该任务涉及使用来自三个供应商的六个领先的大型语言模型 (LLM)。该任务包括生成辩论发言并根据会话准则对其进行评估。研究发现，虽然前沿 LLM 在生成响应方面非常有效，并且在充当评估者时在其模型家族内部表现出高度一致性，但这种内部共识并不能可靠地预测官方评估性能，尤其是在“质量”准则方面。