这是 让 LLM 来评判 系列文章的第六篇，敬请关注系列文章:

基础概念
选择 LLM 评估模型
设计你自己的评估 prompt
评估你的评估结果
奖励模型相关内容
技巧与提示

LLM 评估模型已知偏差及缓解措施

缺乏内部一致性 ：同一 prompt 输入评估模型执行多次得到的结果可能不一样 (如果温度参数不设为 0)。
缓解措施：遵循 “自我一致性 (self-consistency)” 设置 prompt，输入模型执行多次并保留多数结果
自我偏好 ：LLM 评估模型更偏好自己的输出模式，因此会对模式相似的结果评分偏高。https://arxiv.org/abs/2404.13076
输入扰动不敏感 ：评估模型对扰动输入的辨识效果较差，难以提供一致的评分范围(更多实验结果可以参考llmjudge/README.md)。例如对于施加了相同程度噪声的文本，使用评估模型评估文本质量的评分无法反映噪声的程度。https://arxiv.org/abs/2406.13439https://twitter.com/aparnadhinak/status/1748368364395721128https://github.com/LeonEricsson/llmjudge/blob/main/README.md
要求模型先输出详细的推理过程再输出评分https://twitter.com/seungonekim/status/1749289437165769177
在 prompt 中添加一致的评分标准
位置偏差 ：评估模型更偏好特定位置的答案。例如在成对比较时，Claude 和 GPT3.5 在多次测试中通常会偏好某一个位置，例如第一个或第二个答案。https://arxiv.org/abs/2306.05685
冗长偏好 (长度偏差) ：评估模型更偏好冗长的答案。
缓解措施：考虑答案中的长度差异https://arxiv.org/abs/2404.04475
难以对齐人类答案 ：https://arxiv.org/abs/2308.15812
在所有评估中，人工评估是否可以作为一个不错的基线尚有争议。例如在某些特定领域 (如医学、法律、数学等)，如果标注员专业性不够，那么得到的结果可能跟直接采用 LLM 一样差。https://arxiv.org/abs/2202.06935
格式偏差：如果输入模型的 prompt 格式与其训练数据的格式相差甚远，可能导致模型的评估结果不准确。例如，成对比较模型的训练集数据格式中提供了参考答案，如果在评估时没有给定参考答案或者给定的参考答案格式有误，那么评估结果就不可信。https://arxiv.org/pdf/2310.17631
缓解措施：仔细遵循评估模型训练集 prompt 格式 (比如指令微调模型的格式)。

选择合适的 LLM 评估任务

LLM 评估特性：

很难识别幻觉：尤其是部分幻觉 (与事实非常相近，仅有微小的区别而导致错误)。(可以参考这两篇论文：HaluEval: A Large-Scale Hallucination Evaluation Benchmark for Large Language Models和SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models)。https://arxiv.org/abs/2305.11747https://arxiv.org/abs/2303.08896
许多任务上与人工评估一致性不高：如总结任务(也可以参考G-Eval: NLG Evaluation using GPT-4 with Better Human Alignment)、输入遵循忠实度，更多任务请参考LLMs instead of Human Judges? A Large Scale Empirical Study across 20 NLP Evaluation Tasks。https://arxiv.org/abs/2304.02554https://arxiv.org/abs/2303.16634https://arxiv.org/abs/2307.16877https://arxiv.org/abs/2406.18403

英文原文:https://github.com/huggingface/evaluation-guidebook/blob/main/translations/zh/contents/model-as-a-judge/tips-and-tricks.md

原文作者: clefourrier

译者: SuSung-boy

审校: adeenayakup