SANE：面向 LLM 评审的自动化蜕变测试框架
原文标题：SANE: Automated Scorer-Specific Metamorphic Testing for LLM Judges
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对 LLM 作为评审模型（LLM Judge）的可靠性问题，论文提出基于智能体的 SANE 框架，可自动为不同评分器推导扰动配方与预期分数关系。在五个领域测试中，SANE 生成的验证测试族数量为 Judge Reliability Harness 的 3.7 倍，且评审排序与人类标注一致性显著更高。
- 问题
- LLM 评审模型的可靠性测试依赖人工扰动配方，难以覆盖各类评分器。
- 方法
- 用智能体按评分器规格自动推导扰动配方与预期分数关系，并做与评分器无关的验证。
- 结果
- 五个领域生成的验证测试族数量为 Judge Reliability Harness 的 3.7 倍，评审排序与人类标注一致性更高。
- 影响
- 把 LLM-as-judge 的可靠性验证自动化，适合用于评测流水线与模型选型前的把关。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。