待验证50% 置信事实精确时间
评估采用了基于大语言模型（LLM）的自动评分和 11 位标注者的人工评估两种方式。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至：2027/2/1
来源
涉及实体
相关事实
待验证当前主流的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）78% 相似待验证评估采用自动指标（ROUGE和BLEU）以及多项选择生成的答案准确率，同时辅以五标准人工评估协议。77% 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。74% 相似待验证在LLM应用开发中，评估（Evaluation）指的是用一组有标准答案的测试问题，系统性地衡量系统输出质量的过程，通常需要准备30-50个覆盖典型场景和边界情况的问答对。74% 相似待验证grader（评分器）是LLM评估流程中负责对输出与预期答案匹配程度打分的组件，常见实现包括LLM-as-judge、语义相似度比对和人工标注混合评审73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129141API
curl https://kongchang.com/api/v1/knowledge/claims/1129141MCP
get_claim(id=1129141)