计算机科学 > 计算与语言
[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
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。
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.