待验证50% 置信事实精确时间

AlpacaEval 2.0是一个包含805条多样化用户指令的指令遵循评测基准，采用LLM作为自动评判者，并引入长度控制（LC）胜率以控制长度偏差。

1

来源数

50%

置信度

长期有效

时效性

2026/11/4

首次发现

来源

DNO对齐大模型实战：8B模型胜率反超70B

涉及实体

AlpacaEval 2.0benchmark

相关事实

待验证EleutherAI 的 lm-evaluation-harness 是 NLP 领域广泛使用的公开评测工具64% 相似待验证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。63% 相似待验证LFORLA评测机制包含四条规则：固定提示词、固定评审模型、按维度拆分评分、公开逐字回答记录。63% 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。62% 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。61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1134223

API

curl https://kongchang.com/api/v1/knowledge/claims/1134223

MCP

get_claim(id=1134223)