计算机科学 > 机器学习
[提交于 2025年8月7日
]
标题: 让我们逐步测量信息:超越感觉的基于LLM的评估
标题: Let's Measure Information Step-by-Step: LLM-Based Evaluation Beyond Vibes
摘要: 我们开发了在没有真实数据的情况下评估AI系统的机制,这是通过利用游戏抵抗性和输出质量之间的联系来实现的。 数据处理不等式确保了事后尝试操纵指标会降低信息内容和任务性能。 我们证明,在自然条件下,f-互信息度量是唯一的抗游戏机制,监督者作为代理发挥作用。 虽然香农互信息面临指数级的样本复杂性,但像总变差距离这样的有界度量仍然易于处理。 经验上,在从翻译到同行评审的十个领域中,所有信息论机制都能在忠实代理和策略代理之间实现完美的区分(d > 0.5)。 相比之下,LLM评判者表现出系统性的评估反转,更喜欢虚构内容而非准确摘要。 我们的机制在对抗性操控方面的鲁棒性比当前实践好10到100倍。 我们还发现性能随着压缩比呈倒U型曲线变化,在10:1时达到峰值,此时代理响应表现出最优的信息多样性(3个有效维度),从偏差-方差的角度来看,说明了我们的方法何时最有效。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.