待验证70% 置信事实精确时间
当前主流的LLM评估方法包括基于参考答案的指标（如BLEU、ROUGE）、基于模型的评估（LLM-as-a-Judge）和基于人类偏好的评估（如Chatbot Arena的ELO评分）
2
来源数
70%
置信度
长期有效
时效性
2026/8/4
首次发现
来源
相关事实
已验证智能体评估的主流方案包括LLM-as-Judge、轨迹匹配和结果验证78% 相似待验证当前主流的Eval方法分为三类：基于规则的确定性评估、基于参考答案的相似度评估（如ROUGE、BERTScore）、以及LLM-as-Judge模式77% 相似待验证LLM-as-a-judge 是当前安全评估中最常用的自动化评分范式，用一个语言模型对目标模型的响应按预设类别打标签。75% 相似待验证LLM评估的五层体系包括：单元测试、自动指标、LLM-as-Judge、人工评估和A/B测试。75% 相似待验证学术界发展出G-Eval、MT-Bench等评测方法，LLM-as-Judge已成为自动化Agent评测的主流技术路线之一75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/685596API
curl https://kongchang.com/api/v1/knowledge/claims/685596MCP
get_claim(id=685596)