Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2504.21303

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2504.21303 (cs)
[提交于 2025年4月30日 ]

标题: 大型语言模型评估中的置信度:一种针对小样本挑战的贝叶斯方法

标题: Confidence in Large Language Model Evaluation: A Bayesian Approach to Limited-Sample Challenges

Authors:Xiao Xiao, Yu Su, Sijing Zhang, Zhang Chen, Yadong Chen, Tian Liu
摘要: 大型语言模型(LLMs)表现出概率输出特性,但传统的评估框架依赖于确定性标量指标。 本研究引入了一种用于LLM能力评估的贝叶斯方法,通过概率推断整合先验知识,在有限样本情况下解决了局限性。 通过将模型能力视为潜在变量,并利用精心挑选的查询集来引发区分性响应,我们将模型排序形式化为在互斥能力区间上的贝叶斯假设检验问题。 与GPT系列模型的实验评估表明,所提出的方法相比传统评估方法具有更好的区分能力。 结果表明,即使样本数量减少,该方法仍保持统计稳健性,同时提供可操作的见解,例如关于模型超越特定基线的可能性的概率陈述。 本研究通过将贝叶斯推断与实际部署场景中的约束相结合,推进了LLM评估方法学的发展。
摘要: Large language models (LLMs) exhibit probabilistic output characteristics, yet conventional evaluation frameworks rely on deterministic scalar metrics. This study introduces a Bayesian approach for LLM capability assessment that integrates prior knowledge through probabilistic inference, addressing limitations under limited-sample regimes. By treating model capabilities as latent variables and leveraging a curated query set to induce discriminative responses, we formalize model ranking as a Bayesian hypothesis testing problem over mutually exclusive capability intervals. Experimental evaluations with GPT-series models demonstrate that the proposed method achieves superior discrimination compared to conventional evaluation methods. Results indicate that even with reduced sample sizes, the approach maintains statistical robustness while providing actionable insights, such as probabilistic statements about a model's likelihood of surpassing specific baselines. This work advances LLM evaluation methodologies by bridging Bayesian inference with practical constraints in real-world deployment scenarios.
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2504.21303 [cs.CL]
  (或者 arXiv:2504.21303v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.21303
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Sijing Zhang [查看电子邮件]
[v1] 星期三, 2025 年 4 月 30 日 04:24:50 UTC (1,087 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号