★ 2
SCUR：LLM 评审的实例级可靠性评估
论文指出 LLM-as-a-judge 的多数投票聚合无法保证单条样本评估可靠，提出 Structured Cross-fitted Uncertainty Risk（SCUR），基于评审团行为无标签估计实例级可靠性。SCUR 融合评审团不确定性、测量交叉熵与扰动敏感性三类信号，在五个真实基准上更…
arXiv cs.LG19 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文指出 LLM-as-a-judge 的多数投票聚合无法保证单条样本评估可靠，提出 Structured Cross-fitted Uncertainty Risk（SCUR），基于评审团行为无标签估计实例级可靠性。SCUR 融合评审团不确定性、测量交叉熵与扰动敏感性三类信号，在五个真实基准上更…