研究：Arena-Hard 用 GPT-4.1 评审，指令微调可致 28% 判定翻转
原文标题：Behind Aggregate Scores: What Systematically Varying Arena-Hard's LLM Judge Reveals
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者用 500 条 Arena-Hard v2.0 提示、固定两个模型答案，以 GPT-4.1 为评审测试八种指令组合。默认设置重跑仅使总分变动约 1 分，却有 21.2% 提示的胜负平结果改变；某些指令改动使结果变化比例再增 28.2 个百分点，而总分几乎不动。作者建议重复运行并同时报告总分与提示级一致性。
- 问题
- LLM 评审的聚合分数稳定，不代表单条判定可重复或不受指令影响。
- 方法
- 固定 500 条 Arena-Hard 提示与两个模型答案，用 GPT-4.1 在八种指令组合下重复评测并对比提示级胜负。
- 结果
- 默认设置重跑总分仅动约 1 分，但 21.2% 提示判定翻转；某指令改动使翻转比例再增 28.2 个百分点。
- 影响
- 用 LLM 评审做偏好标签或单条评估时需重复运行并报告提示级一致性。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Arena-Hard 用 GPT-4.1 评审，默认设置重跑总分仅动约 1 分，却有 21.2% 提示胜负翻转。
- •用 500 条 Arena-Hard v2.0 提示、固定两个模型答案，测试八种指令组合
- •温度为零、模型版本固定下重跑默认设置，总分变动约 1 分，但 21.2% 提示的胜负平结果改变
- •某组指令改动使结果变化比例再增 28.2 个百分点，总分同时下降 4.09 分
- •另一组以准确性为优先的指令下，结果变化多 6.7 个百分点，而总分几乎不动
为什么重要：把 LLM 评审结果当偏好标签或单条回复评分的人，需要重复运行并同时报告总分与提示级一致性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
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。