TOEFL9

该研究使用Llama 3.1 8B和70B模型在TOEFL9、Write and Improve 2024和BULATS-L1三个数据集上评估了token概率评分方法。

70B模型在所有数据集上均达到了state-of-the-art（SOTA）性能，超越了此前基于提示的方法。

TOEFL9数据集包含9种L1背景的托福作文，是NLI研究中较早且常用的基准之一。