超级会员免费看
本文翻译了《Beyond Probabilities: Unveiling the Misalignment in Evaluating Large Language Models》，探讨了基于概率评估大语言模型（LLM）的有效性和局限性，指出这种方法与实际生成预测的不一致，呼吁发展更全面的评估框架，以准确衡量LLM在现实世界应用中的性能。
本文是LLM系列文章，针对《Beyond Probabilities: Unveiling the Misalignment in Evaluating Large Language Models》的翻译。
摘要
大型语言模型（LLM）在各种应用程序中表现出了非凡的能力，从根本上重塑了自然语言处理（NLP）研究的格局。然而，最近的评估框架通常依赖LLM的输出概率进行预测，这主要是由于计算限制，与现实世界的LLM使用场景不同。尽管这些基于概率的评估策略被广泛使用，但其有效性仍然是一个悬而未决的研究问题。本研究旨在在使用LLM进行多项选择题（MCQ）的背景下，仔细审查这种基于概率的评估方法的有效性，强调其固有的局限性。我们的实证研究表明，流行的基于概率的评估方法与基于生成的预测不完全一致。此外，由于计算限制，当前的评估框架通常通过基于输出概率的预测任务来评估LLM，而不是直接生成响应。我们说明了这些基于概率的方法不能有效地与生成预测相对应。我们的研究结果可以增强对LLM评估方法的理解，并为该领域的未来研究提供见解。
订阅专栏 解锁全文
2619
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
