arXiv · 17.06.2026 ·Оценка и бенчмарки

Новый подход к оценке качества ответов LLM в задачах с открытым финалом

Исследователи представили RECOM (Reddit Evaluation for Correspondence of Models) — новый метод оценки качества генеративных моделей, предназначенный для задач, где ответы носят субъективный или дискуссионный характер. Авторы работы указывают на фундаментальное противоречие в существующих автоматических метриках, которые одновременно пытаются оценить содержательную точность (валидность) и способность системы ранжировать модели по уровню их эффективности (дискриминационная способность).

В ходе анализа выяснилось, что стандартные метрики часто не справляются с задачами, где нет единственно верного ответа, а оценка зависит от контекста и аргументации. В таких случаях поверхностное совпадение текста, на котором базируются многие классические алгоритмы, вступает в конфликт с реальной содержательной ценностью ответа. Это приводит к тому, что метрики могут ошибочно отдавать предпочтение менее качественным системам, которые просто лучше имитируют статистические закономерности обучающей выборки.

Метод RECOM направлен на устранение этого разрыва, предлагая более сбалансированный подход к оценке моделей в условиях открытых вопросов. Использование данных из Reddit позволило исследователям создать бенчмарк, который лучше отражает реальные предпочтения пользователей и качество аргументации в ответах ИИ. Разработка помогает точнее определять, какие модели действительно справляются с генерацией осмысленного контента, а не просто подстраиваются под метрики поверхностного сходства.

Источник: arXiv

Похожие материалы

arXiv · Оценка и бенчмарки Новый метод борьбы с предвзятостью LLM-судей при оценке качества ответов Исследователи представили новый подход к оценке больших языковых моделей, использующих другие LLM в качестве «судей». Текущие системы автоматической оценки часто страдают от систематических искажений, не связанных с качеством контента. Наиболее выраженной проблемой является «предвзятость к многословию»: модели склонны завышать оценки длинным ответам, даже если они менее точны или информативны, чем краткие варианты. Hacker News · Оценка и бенчмарки Исследование: обрезанные LLM проваливают тесты на открытые вопросы Исследователи из Стэнфорда и MIT провели исследование, показавшее, что обрезанные (pruned) языковые модели, успешно проходящие тесты с выбором ответа, часто не справляются с задачами, требующими свободного ответа. В статье, опубликованной на arXiv, авторы утверждают, что традиционные бенчмарки могут давать ложное представление о способностях моделей. arXiv · Модели и релизы Новый метод обнаружения ошибок в цепочках рассуждений LLM Исследователи из MIT и Университета Карнеги-Меллона предложили новый подход к выявлению ошибок в цепочках рассуждений языковых моделей (LLM) без использования меток. Их метод, основанный на операдной теории, позволяет обнаруживать несоответствия в логических цепочках, которые модели строят при решении сложных задач. arXiv · Машинное обучение Исследование: как устранить избыточное рассуждение в LLM Учёные изучили проблему избыточного рассуждения (overthinking) в языковых моделях, когда они продолжают генерировать ненужные шаги после нахождения правильного ответа. Это явление особенно заметно в задачах, требующих длинных цепочек рассуждений (chain-of-thought reasoning). arXiv · Память и RAG Как RAG помогает бороться с галлюцинациями в мультимодальных моделях Исследователи из MIT и других ведущих университетов предложили новый подход к снижению визуальных галлюцинаций в мультимодальных языковых моделях (MLLMs). Эти системы, способные обрабатывать как текстовые, так и визуальные данные, часто демонстрируют уверенность в своих ответах, даже когда визуальные данные слабые или неоднозначные. Это приводит к так называемым "галлюцинациям" — выводам, не соответствующим реальности. arXiv · Исследования и наука ИИ автоматизирует проверку воспроизводимости исследований Учёные из Гарварда и MIT разработали метод, позволяющий использовать большие языковые модели (LLM) для автоматизированной оценки воспроизводимости исследований в социальных и поведенческих науках. Обычно проверка воспроизводимости требует ручного анализа данных независимыми исследователями, что занимает много времени и ресурсов. Новый подход позволяет значительно ускорить этот процесс, применяя LLM для анализа опубликованных данных и оценки их достоверности. Hacker News · Оценка и бенчмарки Почему современные бенчмарки LLM теряют актуальность Существующие методы оценки больших языковых моделей все чаще подвергаются критике из-за несоответствия реальным задачам пользователей. Традиционные бенчмарки, основанные на статических наборах вопросов и ответов, перестали быть надежным индикатором качества работы ИИ. Проблема заключается в том, что модели обучаются на огромных массивах данных, которые часто включают в себя сами тестовые задания. Это приводит к «зазубриванию» ответов и завышению показателей, которые не отражают реальную способность системы к рассуждению или решению нестандартных проблем. arXiv · Машинное обучение Метод MAST для точечного удаления нежелательных навыков рассуждения в LLM Исследователи представили метод MAST (Mechanism-Aligned Selective Targeting), предназначенный для избирательного удаления специфических паттернов рассуждения, привитых моделям через обучение с подкреплением (RLVR). Традиционные подходы к «забыванию» (unlearning) часто приводят к деградации общих способностей модели из-за полнопараметрических обновлений. Новый метод позволяет изолировать и корректировать только те веса, которые отвечают за конкретные логические цепочки, минимизируя побочный ущерб для базовых знаний модели. Hacker News · Оценка и бенчмарки Влияние упоминания разработчика на рекомендации LLM Исследователи проанализировали, как упоминание компании-разработчика в системном промпте влияет на объективность ответов больших языковых моделей. В ходе эксперимента выяснилось, что при прямом вопросе о выборе лучшего инструмента или сервиса модели склонны отдавать предпочтение продуктам своих создателей. Даже при наличии нейтральных формулировок, присутствие информации о принадлежности модели в контексте запроса статистически значимо смещает результаты в пользу экосистемы разработчика. Hacker News · Исследования и наука Новые рубрики для оценки RLVR в исследовании Complex-If and Beyond Исследователи представили документ Complex-If and Beyond, в котором предложены экспертные рубрики для оценки RLVR (Reinforcement Learning from Human Feedback). Документ доступен в формате PDF и содержит подробные критерии для оценки качества моделей, обучаемых с использованием RLVR.

← Все материалы