AGORA：基于项目反应理论的 LLM 评审可靠性加权聚合
原文标题：AGORA: Reliability-Aware Aggregation of LLM Judges via Item-Response Theory
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。
针对 LLM-as-a-judge 中评审池可靠性参差、人工标注集偏小的问题，论文提出 AGORA，一种基于项目反应理论的聚合器。它将每个条目置于单一潜在质量尺度，用敏感度参数与有序评分阈值刻画每位评审，无需人工标签即可联合学习可靠性。在三个基准上，AGORA 在大评测集上持平或超越 Dawid-Skene，且在小样本与评审池不均衡时优势更明显。
- 问题
- LLM-as-a-judge 评审池可靠性参差、人工标注集过小导致聚合失真。
- 方法
- 用项目反应理论把条目映射到单一潜在质量尺度，以敏感度参数和有序阈值刻画评审，无需人工标签联合学习可靠性。
- 结果
- 在三个基准上持平或超越 Dawid-Skene，样本缩至数百条、评审池不均衡时优势更明显。
- 影响
- 小标注预算下也能可靠聚合多评审打分，可直接替换现有评审均值或 Dawid-Skene 方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AGORA 用项目反应理论聚合 LLM 评审，无需人工标签，小样本下优于 Dawid-Skene
- •把每个条目映射到单一潜在质量尺度，用敏感度参数和有序评分阈值刻画每位评审
- •评审可靠性从全部条目联合学习，不依赖人工标注
- •在三个基准的大评测集上持平或超越 Dawid-Skene，样本缩至几百条时优势扩大
- •评审池越不均衡仍保持准确，并给出无标签离散度统计量预判信任加权是否有效
- •学到的信任权重与每位评审的人工效度一致
为什么重要：对依赖 LLM-as-a-judge 且人工标注预算有限的团队，这是可直接替换均值聚合的低成本方案。
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。