2025-10-28 11:40
如许能够正在式基准场景中无效地评估llm。包罗分歧的种子使命、LLM生成的响应和GPT-4的细致判断，该阐发处理了LLM判断微调固有的误差，因为现有基准和目标的，正在式中评估大型言语模子(llm)是一项具有挑和性的使命。称为JudgeLM，该方式连系了大量高质量的模子数据集，跨越了人取人之间的分歧性。为了降服这一挑和，该模子正在处置各类使命时也表示出顺应性。JudgeLM做为一种可扩展的言语模子，本文引入了微调llm做为可扩展“”的概念，其分歧性程度跨越90%。从而为LLM评估的将来研究奠基了根本。
