arXiv 论文比较自动评分在人工评估中的采样与估计增益
原文标题：Human Evaluation with Automatic Scores: Separating Sampling and Estimation Gains
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。
论文比较自动评分在人工评估中的三种用途——引导采样、校正估计与自适应获取——的增量价值，在三个偏好数据集与 19 个 AttributedQA 系统上做匹配比较。结果显示按分数分层后固定局部线性校正仅再降 1.00–5.27% MSE，不等分配在某些池中增益更大但可能放大误差。作者建议采用「分数分层内比例采样 + 分层人工均值」的简单起点流程。
- 问题
- 自动评分用于人工评估时，引导采样、校正估计、自适应获取这三种用途的增益是否重叠、各自值多少。
- 方法
- 在固定评估池上做匹配比较，统一分数、试点标注与预算规则，把获取与估计分开，并以分数分层作为强参照。
- 结果
- 十分层后最佳固定局部线性校正仅再降 1.00–5.27% MSE；AttributedQA 上 19 个系统中 17 个的合并 MSE 下降，但 95% 区间覆盖率仅 88.09–93.54%。
- 影响
- 评估团队不必上复杂自适应方案，先用分数分层内比例采样加分层人工均值即可，省标注预算且不易放大误差。
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。