待验证50% 置信事实精确时间

论文的核心评估指标是LLM与人类标注者之间的一致性。

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

大模型做翻译质量标注：人与模型谁更靠谱？

涉及实体

相关事实

待验证LLM-as-Judge范式已被多项研究证实与人类评估具有较高相关性77% 相似待验证认知谦逊测试（epistemic calibration）考察模型是否能准确感知自身知识边界，而传统 LLM 基准如 MMLU、HumanEval 通常以准确率为唯一指标65% 相似待验证LLM-as-a-Judge 常见评估模式包括单点评分、成对比较以及参考答案对照评分64% 相似待验证模型输入特征涵盖人口统计学变量、临床病情信息、医院中心标识、基线BDI-II得分以及治疗参与度指标61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1012337

API

curl https://kongchang.com/api/v1/knowledge/claims/1012337

MCP

get_claim(id=1012337)