★ 3
DramaGrow 基准审计 LLM 评委对中文多集剧的评判可靠性
论文推出 DramaGrow，面向 AI 生成中文五集剧的分层基准与审计协议，将约束违规、偏好与评分分歧分开统计。基准含 800 集、120 次干预与 1155 条盲评记录；重复绝对打分准确率仅 53.8-55.8%，而 DirectPair-GLM 达 85.1% 偏好准确率，说明评估协议与平局…
arXiv NLP5 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。
论文推出 DramaGrow，面向 AI 生成中文五集剧的分层基准与审计协议，将约束违规、偏好与评分分歧分开统计。基准含 800 集、120 次干预与 1155 条盲评记录；重复绝对打分准确率仅 53.8-55.8%，而 DirectPair-GLM 达 85.1% 偏好准确率，说明评估协议与平局…