北大密歇根合作研究：無金標準下如何評測大模型判斷力

無金標準評測難題

傳統評估大語言模型的方法，通常需要依賴標準答案或人工標註的黃金數據集，但在許多現實任務中，這類金標準往往難以取得，甚至根本不存在，令模型能力難以客觀衡量。

針對這一痛點，研究團隊提出名為「生成式互信息估計器」（GEM）的評估指標，用於在缺乏金標準的情況下，評估大語言模型輸出內容的品質。