★ 3
研究：BLEURT 自动标注误判率近 47%，幻觉检测基准不可靠
一篇 arXiv 论文系统检验了用 BLEURT 等相似度指标自动构造幻觉检测标签的做法。实验覆盖 15 种自动监督评判器、7 个幻觉检测基线、2 个生成模型、2 个问答数据集和 5 种语言，发现检测器性能随监督评判器的选择而大幅波动。人工验证显示，QGen-9B 的总体误分类率最低（12.86%…
arXiv NLP14 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
一篇 arXiv 论文系统检验了用 BLEURT 等相似度指标自动构造幻觉检测标签的做法。实验覆盖 15 种自动监督评判器、7 个幻觉检测基线、2 个生成模型、2 个问答数据集和 5 种语言，发现检测器性能随监督评判器的选择而大幅波动。人工验证显示，QGen-9B 的总体误分类率最低（12.86%…