实体 RuVerBench

RuVerBench

PulseAugur coverage of RuVerBench — every cluster mentioning RuVerBench across labs, papers, and developer communities, ranked by signal.

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

RESEARCH · CL_117329 · Jun 29 · 07:57

新基准揭示代理场景中LLM作为裁判的评分噪声

一个名为RuVerBench的新基准已被开发出来，用于评估在代理场景中将大型语言模型（LLM）用作评分标准裁判的可靠性。该基准涵盖了深度研究和代理编码，包含2,458个实例，揭示即使是先进的LLM在评分时也表现出显著的噪声。研究还分析了提示设计、批处理和多数投票等策略的有效性，发现虽然多数投票的收益递减，但较弱的模型对提示变化的敏感度更高。