Becoming Experienced Judges: Selective Test-Time Learning for Evaluators
Seoul National University(首尔国立大学);University of Minnesota(明尼苏达大学)
本文提出选择性测试时间学习框架,使评估者在推理过程中逐步改进,通过自适应元提示提升评估效果,实验证明其在多个基准上的优越性。
2025-12-07 cs.AI cs.CL cs.LG
LASER: Stratified Selective Sampling for Instruction Tuning with Dedicated Scoring Strategy
ScaDS.AI & TU Dresden(ScaDS.AI与德累斯顿技术大学);Fraunhofer IIS(弗劳恩霍夫研究所)
本文提出LASER,一种高效且通用的数据选择流水线,通过分箱、质量评估和难度评分,结合聚类保证多样性,实现低开销高性能的指令微调。
2025-09-24 cs.CL
Better Instruction-Following Through Minimum Bayes Risk
C3 AI;Carnegie Mellon University(卡内基梅隆大学);Instituto de Telecomunicações(电信研究所);Instituto Superior Técnico(高等技术学院);University of Lisbon(里斯本大学)
本研究探索了最小贝叶斯风险(MBR)解码提升指令遵循LLM性能,并利用直接偏好优化进行自我训练,以保留改进并降低测试时成本。
2025-02-25 cs.AI cs.CL
When Consistency Does Not Mean Reliability: Evaluating Local LLM Judges Against Human Ratings
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
本研究评估两个本地LLM裁判(LLaMA-3-8B和Qwen2.5-7B)与人类评分的相关性,发现其自一致性高但人类一致性低,强调需同时评估一致性与人类对齐。
2026-09-15 cs.CL
HREF: Human Response-Guided Evaluation of Instruction Following in Language Models
Allen Institute for AI(艾伦人工智能研究所);University of Washington(华盛顿大学)
提出HREF基准,利用人类响应作为附加上下文提升LLM指令遵循自动评估与人类判断的一致性,最高提升3.2%,并包含4258个样本和实时排行榜。
2025-03-24 cs.AI cs.CL
HumanRankEval: Automatic Evaluation of LMs as Conversational Assistants
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对对话助手类语言模型人工评估不可扩展、自动评估难衡量对话与指令遵循能力的问题,提出基于对数似然排序并与人类排序求相关的HumanRankEval评估任务,验证其与人类判断相关性好且对指令微调变化敏感。
2024-05-15 cs.CL
When Thinking Fails: The Pitfalls of Reasoning for Instruction-Following in LLMs
Harvard University(哈佛大学);Amazon(亚马逊);NYU(纽约大学)
该研究发现显式CoT推理会降低大语言模型的指令遵循准确率,提出约束注意力指标量化注意力偏移,并验证分类器选择推理等策略可有效恢复性能。
2025-09-02 cs.CL
Mitigating the Bias of Large Language Model Evaluation
School of Architecture and Design, Harbin Institute of Technology(哈尔滨工业大学建筑与设计学院);Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算机学院);University of Essex(埃塞克斯大学)
本研究针对LLM-as-a-Judge评估中偏好表面质量而忽略指令遵循的偏差,分别通过校准(闭源模型)和对比训练(开源模型)进行缓解,实验证明在保持准确率的同时大幅降低了偏差。
2024-09-25 cs.CL
Selective Reflection-Tuning: Student-Selected Data Recycling for LLM Instruction-Tuning
University of Maryland, College Park(马里兰大学学院公园分校);Adobe Research(奥多比研究院)
本文提出选择性反思调优,通过教师LLM反思改进数据质量、学生LLM选择兼容样本,自动精炼现有指令数据,在Alpaca和WizardLM上训练出顶尖7B和13B模型。
2024-06-07 cs.AI cs.CL cs.LG
JudgeMeNot: Personalizing Large Language Models to Emulate Judicial Reasoning in Hebrew
Computer and Information Science Ben-Gurion University of the Negev(计算机与信息科学贝内尔·加隆大学)
本文提出一种合成有机监督流程,通过将原始司法判决转化为指令微调数据,实现低资源环境下对法官个性化模型的高效微调,并在三个任务中验证了因果语言模型结合合成指令微调的优越性。
2026-04-20 cs.CL cs.CY
Training LLM Judges from Language Feedback via Position-Selective Self-Distillation
Georgia Institute of Technology(佐治亚理工学院);Amazon(亚马逊);UC San Diego(加州大学圣迭戈分校)
本研究提出位置选择性自蒸馏方法,通过熵移掩蔽利用语言反馈训练LLM裁判,在主观任务上比结果监督RL提升2-9个百分点,并改善分布外泛化。
2026-10-01 cs.CL cs.LG
Automatic Evaluation of Generative Models with Instruction Tuning
University of British Columbia(不列颠哥伦比亚大学);Vector Institute for AI(向量人工智能研究所)
本文提出基于指令微调的学习型评估度量,并构建跨多种NLG任务和评估标准的人类判断数据集HEAP,验证了该方法在自动评估中的有效性及多任务联合训练的增益。
2023-10-30 cs.CL cs.LG
IF-CRITIC: Towards a Fine-Grained LLM Critic for Instruction-Following Evaluation
The Conversational Artificial Intelligence (CoAI) Group, Tsinghua University(清华大学对话人工智能(CoAI)小组);Zhipu AI(智谱AI);University of Electronic Science and Technology of China(电子科技大学);The Knowledge Engineering Group (KEG), Tsinghua University(清华大学知识工程小组(KEG))
本文提出IF-CRITIC,通过细粒度、高效且可靠的评估方法提升LLM指令遵循能力,采用检查清单生成器和约束级偏好优化训练模型,实验表明其优于现有基线模型。
2026-04-16 cs.CL
Qwen-MT-Lumen at WMT2026: Instruction-Specialized Translation via Quality-Aware Training and On-Policy Distillation
Alibaba Token Hub(阿里 Token Hub)
该研究针对WMT2026通用机器翻译任务提交Qwen-MT-Lumen模型,通过四阶段流程优化指令专用翻译,在23个翻译方向上总体平均得分达4.60,性能可媲美领先专有系统。
2026-10-15 cs.CL
How Sensitive Are Safety Benchmarks to Judge Configuration Choices?
University of California, Berkeley, Berkeley CA 94720, USA(加州大学伯克利分校)
研究通过实验展示裁判提示语对安全基准评估结果的显著影响,揭示裁判配置对测量变异的决定性作用。
2026-04-27 cs.CL
Analysis of instruction-based LLMs' capabilities to score and judge text-input problems in an academic setting
Universidad de Alcalá(阿尔卡拉大学)
本研究提出五种基于LLM的自动评估系统,用于学术文本输入问题的评分,实验表明参考辅助评估方法在公平性和准确性上最优,具有作为学术辅助工具的潜力。
2025-09-25 cs.AI cs.CL
A Controlled Study of Decoding-Time Truthfulness Methods on Instruction-Tuned LLMs
Independent Researcher(独立研究员)
本研究通过分析每层令牌logits特征,提出CHAIR框架检测幻觉,在TruthfulQA和MMLU上显著提升零样本检测准确率。
2026-06-12 cs.CL
How Output Format Confounds Data Quality and Capability in Instruction Tuning
University of Chinese Academy of Sciences(中国科学院大学);Pusan National University(釜山国立大学);Shenzhen University of Advanced Technology(深圳先进技术大学);Monash University(莫纳什大学)
该研究揭示指令调优中,答案的表面输出格式会混淆数据质量与模型能力的评判,其影响可使技能准确率变化或微调效果反转,需关注接口对评判的约束作用。
2026-09-03 cs.CL
AdversaBench: Automated LLM Red-Teaming with Multi-Judge Confirmation and Cross-Model Transferability
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
提出AdversaBench端到端红队测试流水线,使用五种结构化算子变异种子提示,通过三裁判加元裁判机制确认失败,实验发现算子效果因类别而异、二元失败率掩盖难度、裁判一致性受标签偏斜影响、对抗提示可跨模型迁移。
2026-06-24 cs.AI cs.CL
Reasoning Model Is Superior LLM-Judge, Yet Suffers from Biases
Institute of Science Tokyo(东京科学研究院);Harbin Institute of Technology(哈尔滨工业大学);The University of Osaka(大阪大学)
本文系统比较了推理模型在判断任务中的表现,发现其在准确性、指令遵循和抗攻击能力上优于非推理LLM,但存在显著偏见,提出PlanJudge策略以缓解偏见问题。
2026-05-14 cs.CL
The Anatomy of a Blind Spot: What an LLM Judge Must Be Shown, and How Much
Hosho
该研究将LLM评判者视为控制论监管者,通过7个公开基准实验发现,向评判者展示的内容比评判者种类更重要,还揭示了不同任务中参考材料的作用,报告了理论预测的不足并推导了相关设计规则。
2026-10-14 cs.AI cs.CL
Instruction Anchor: Dissecting the Mechanistic Dynamics of Modality Arbitration
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Peng Cheng Laboratory, Shenzhen, China(鹏城实验室)
本文通过信息流视角研究模态跟随机制,揭示指令令牌作为模态仲裁的结构锚点,浅层注意力层负责多模态信息聚合,深层注意力层则根据指令意图选择性强化子空间,实验验证了注意力头的特定功能。
2026-05-09 cs.CL
JudgeSense: A Benchmark for Prompt Sensitivity in LLM-as-a-Judge Systems
Florida International University(佛罗里达国际大学);CrowdStrike;University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
本文提出JudgeSense基准,用于评估LLM作为裁判系统在提示重述下的稳定性,分析不同任务和架构的决策稳定性,并发现一致性不依赖模型规模。
2026-09-21 cs.CL
Does the Judge Prefer English? Evaluating Language-Switching Invariance in LLM-as-a-Judge
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
提出Judge-LS协议,通过语言切换变体评估LLM作为自动法官的可靠性,发现语言切换导致10.7-14.4%偏好翻转,但翻译等价测试未显示系统英语偏好。
2026-06-15 cs.CL
An Empirical Study of LLM-as-a-Judge: How Design Choices Impact Evaluation Reliability
The University of Tokyo(东京大学);NEC Corporation(日本电讯公司)
本研究针对LLM-as-a-Judge自动评估方法的可靠性问题,通过BIGGENBench与EvalBiasBench数据集,分析评估设计、解码策略、CoT推理等因素的影响,发现评估标准是可靠性关键,非确定性采样更贴合人类偏好,明确标准下CoT增益甚微。
2025-06-16 cs.CL
ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
Upstage;Opentutorials;Indiana University Bloomington(印第安纳大学布卢明顿分校);Korea University Sejong Campus(韩国大学世宗校区)
ISD-Agent-Bench通过结合经典ISD理论与现代推理方法,为评估基于LLM的教学系统设计代理提供了全面的基准。
2026-02-11 cs.CL cs.SE
Fluent Alignment with Disfluent Judges: Post-training for Lower-resource Languages
Language Technology Group, University of Oslo(奥斯陆大学语言技术组)
本文提出一种低资源语言的后训练方法,通过不流畅评判模型保持语言模型的流畅性,通过挪威语案例研究验证了基于策略的训练方法在无需额外数据时的有效性。
2026-03-27 cs.AI cs.CL
FairJudge: An Adaptive, Debiased, and Consistent LLM-as-a-Judge
School of Software Technology, Zhejiang University(浙江大学软件学院)
针对LLM评判系统在适应性、偏见和一致性上的局限,提出FairJudge,通过可学习正则化策略和课程式SFT-DPO-GRPO训练范式,实现自适应、去偏和一致评估。
2026-07-01 cs.CL
How Reliable is Multilingual LLM-as-a-Judge?
Independent Researcher(独立研究者);Heidelberg University(海德堡大学);Heidelberg Institute for Theoretical Studies gGmbH(海德堡理论研究所)
该研究针对多语言场景下LLM-as-a-Judge评估的可靠性未知问题,通过对5类模型、5项任务、25种语言的分析,发现其跨语言一致性差,且多语言训练和扩模均无法直接改善,最终提出集成策略提升一致性。
2025-05-18 cs.CL
Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents?
Yale University(耶鲁大学);IBM Research(IBM研究院)
本文提出REFLECT基准,用于评估LLM裁判在代理环境中的细粒度失败检测,揭示当前LLM裁判在推理、工具使用和报告质量上的可靠性不足,为构建更可靠的评估流程提供指导。
2026-05-18 cs.CL
Atomic and Holistic LLM Judges for Reference-Grounded Support Labels: A Prompt-Controlled Comparison
University of California, Berkeley(加州大学伯克利分校)
本文研究了参考导向问答评估中原子分解与整体裁判的性能差异,发现整体裁判在多数基准中表现更优,尤其在部分支持案例中表现突出,且参考质量下降对两种裁判方式均产生显著影响。
2026-10-01 cs.CL
SelectIT: Selective Instruction Tuning for LLMs via Uncertainty-Aware Self-Reflection
Institute of Computing and Intelligence, Harbin Institute of Technology(哈尔滨工业大学计算与智能学院);University of Macau(澳门大学)
本研究针对现有指令微调数据筛选依赖额外资源的问题,提出利用大语言模型内在不确定性进行数据筛选的SelectIT方法,构建了Selective Alpaca数据集,证实其能有效提升模型性能且鲁棒性良好。
2025-01-15 cs.AI cs.CL cs.LG
Cross-Lingual Stability of LLM Judges Under Controlled Generation: Evidence from Finno-Ugric Languages
Zendesk
研究揭示了在受控生成条件下,LLM评判者在不同芬兰-乌戈里语系语言中的稳定性问题,发现语用判断存在排名不稳定性,需针对特定语言进行校准。
2026-02-02 cs.CL
Beyond a Single Judge: The Evidence-Grounded, Social-Weighted Persona Panel for Generative UI Evaluation
该研究针对GenUI评估问题,提出三阶段ESPP方法,通过多样化角色面板提升评估保真度,揭示用户子群体的结构性分歧,代码已公开。
2026-08-03 cs.CL
MedInjection-FR: Exploring the Role of Native, Synthetic, and Translated Data in Biomedical Instruction Tuning
MedInjection-FR研究通过结合原生、合成和翻译数据,探索其在生物医学指令微调中的作用,发现原生数据效果最佳,混合数据提供互补优势,合成数据需与原生结合才能提升性能。
2026-03-06 cs.CL
When Gradients Collide: Failure Modes of Multi-Objective Prompt Optimization for LLM Judges
IIT Jodhpur(印度理工学院乔普里尔);Amazon(亚马逊)
研究多目标文本梯度优化中梯度稀释和指令干扰两种失败模式,通过分解优化器信息共享方式揭示性能下降原因。
2026-06-03 cs.AI cs.CL cs.LG
KIWI: A Dataset of Knowledge-Intensive Writing Instructions for Answering Research Questions
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Allen Institute for AI(艾伦人工智能研究所)
本研究构建了科学领域知识密集型写作指令数据集KIWI,通过与3个先进大语言模型的234次交互收集1260个轮次数据,发现现有模型在信息整合、精准修改及指令遵循判断上存在缺陷,该数据集可用于提升模型相关能力。
2024-03-06 cs.CL
IFMTBench: A Comprehensive Benchmark for Multilingual Translation Instruction Following
Large Language Model Department, Tencent(腾讯大语言模型部)
提出IFMTBench基准,涵盖7种语言、4506个单约束和2838个多约束项,通过确定性检查器和基于LLM的评分器评估翻译指令遵循能力,揭示指令遵循随模型规模增长快于翻译质量,且术语表和结构化格式约束难度最高。
2026-05-27 cs.CL
Training an LLM-as-a-Judge Model: Pipeline, Insights, and Practical Lessons
East China Normal University(华东师范大学);Alibaba Cloud Computing(阿里云);Fudan University(复旦大学)
本文提出微调LLM裁判Themis,通过场景化提示与受控指令生成蒸馏评估能力,并基于人工标注基准验证其与人类偏好的一致性,同时揭示纯知识蒸馏的局限并提出缓解策略及实用训练指南。
2025-02-05 cs.AI cs.CL cs.LG
VISA: Agentic Self-Evolving Data Synthesis for Multimodal Instruction Following
vivo AI Lab(vivo AI实验室)
VISA是一种智能体式自进化数据合成框架,通过自进化循环优化多模态指令合成,在MM-IFEval等基准上提升了多模态指令遵循性能。
2026-08-28 cs.CL
A Persian Vision-Language-Action Dataset and Benchmark for Ambiguity- and Infeasibility-Aware Instruction-to-Plan Grounding
Malek Ashtar University of Technology(马利克·阿什塔尔理工大学);Isfahan University of Technology(伊斯法罕理工大学)
该研究构建了首个波斯语视觉-语言-动作数据集,提出PGOS-FA指标,通过消融实验验证检索增强的显著效果,其指标在指令到规划落地任务中追踪人类判断的表现优于LLM-judge。
2026-10-14 cs.CL cs.CV
M-IFEval: Multilingual Instruction-Following Evaluation
Lightblue KK.;Arkema(阿科玛)
本文提出多语言指令遵循评估基准M-IFEval,将IFEval扩展至法、日、西三种语言并涵盖通用与语言特定指令,在8个主流LLM上验证了多语言评估的必要性。
2025-02-07 cs.AI cs.CL
MTAC-IFBench: Benchmarking Instruction-Following in Multi-Turn Agentic Coding
Tsinghua University(清华大学);Zhipu AI(智谱AI);University of Electronic Science and Technology of China(电子科技大学)
提出MTAC-IFBench基准,通过多轮渐进式开发指令和多样化约束评估LLM代码智能体的指令遵循能力,发现其性能随交互轮次增加而显著下降。
2026-09-15 cs.CL
Evaluating Judges as Evaluators: The JETTS Benchmark of LLM-as-Judges as Test-Time Scaling Evaluators
Salesforce AI Research(Salesforce 人工智能研究院)
本文提出JETTS基准,评估LLM法官在测试时扩展中的表现,发现其在重排序中与结果奖励模型相当,但在束搜索中不如过程奖励模型,且自然语言批评对改进生成效果有限。
2025-05-21 cs.CL cs.LG
Scaling Unverifiable Rewards: A Case Study on Visual Insights
University of Minnesota(明尼苏达大学)
本文提出Selective TTS框架,通过多阶段流程优化提升视觉洞察质量,实现计算预算固定下的性能提升。
2025-12-27 cs.AI cs.CL cs.LG
SCOPE: Selective Conformal Optimized Pairwise LLM Judging
Faculty of Computer Science, Dalhousie University, Halifax, NS, Canada(达勒豪西大学计算机科学学院);Department of Computer Science, Emory University, Atlanta, GA, USA(埃默里大学计算机科学系)
提出SCOPE框架,通过校准接受阈值控制非弃权判断的错误率,并引入双向偏好熵(BPE)提供无偏不确定性信号,实现可靠且高覆盖率的LLM成对评估。
2026-08-19 cs.AI cs.CL
SEIF: Self-Evolving Reinforcement Learning for Instruction Following
Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University(上海数据科学 key laboratory,计算机科学与人工智能学院,复旦大学);School of Data Science, Fudan University(数据科学学院,复旦大学);Ant Group(蚂蚁集团)
SEIF提出了一种自演化框架,通过闭环自我进化提升大语言模型的指令跟随能力,通过动态调整指令难度与模型能力相互促进,实验表明其在多模型规模上均有效提升性能。
2026-05-08 cs.CL
Compositional Literary Primitives in Instruction-Tuned LLMs: Cross-Architectural SAE Features for Self, Style, and Affect
Federal University of Goias(戈亚斯联邦大学)
本文通过稀疏自编码器研究了指令微调的LLM中组合文学原语的架构,发现四种特征类别,并通过跨架构SAE特征验证了自我、风格和情感的表达能力。
2026-05-11 cs.AI cs.CL cs.LG
SenseJudge: Human-Centric Preference-Driven Judgment Framework
State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University(信息处理国家重点实验室,计算机学院,北京大学);StepFun;Xi’an Jiaotong University(西安交通大学)
提出SenseJudge框架和SenseBench基准,通过融入用户偏好实现个性化判断和模型排名,实验证明其优于现有方法。
2026-06-03 cs.CL
LLM-as-a-Demographic: Whom Sociodemographic Prompting Helps, and Whom It Hurts
Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会);Almawave Labs(Almawave实验室)
该研究探究社会人口提示法对LLM主观任务评判的影响,发现其存在不对称性,会偏向多数群体、伤害少数群体,交叉特征会放大伤害,指令调优或为不对称性的来源。
2026-09-02 cs.CL
Attribution Quality in AI-Generated Content:Benchmarking Style Embeddings and LLM Judges
IEEE International Conference on Data Mining Workshops(IEEE国际数据挖掘会议研讨会)
本文通过Human AI Parallel Corpus评估风格嵌入与LLM裁判在AI生成内容归因中的表现,发现LLM裁判在小说和学术写作中表现更优,而嵌入在口语和剧本对话中更占优势,强调归因问题的多维性。
2025-10-14 cs.CL
Beyond the Illusion of Consensus: From Surface Heuristics to Knowledge-Grounded Evaluation in LLM-as-a-Judge
Tencent, China(腾讯,中国)
LLM-as-a-judge范式中,高一致性可能源于表面启发式而非实质质量,动态生成基于领域知识的评分标准能提升评估一致性。
2026-03-11 cs.CL
LuxIT: A Luxembourgish Instruction Tuning Dataset from Monolingual Seed Data
Luxembourg Institute of Science and Technology(卢森堡科学技术研究院)
本文提出LuxIT数据集,通过合成高质量卢森堡语指令-回答对,提升低资源语言LLM性能,实验显示在语言考试和NLP任务中均取得显著提升。
2026-08-25 cs.CL
RevisEval: Improving LLM-as-a-Judge via Response-Adapted References
City University of Hong Kong(香港城市大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));McGill University(麦吉尔大学);MILA
本文提出 RevisEval 评估范式,通过让大语言模型自适应修订响应并生成响应自适应参考,以提升 LLM-as-a-Judge 的可靠性,实验证明其优于传统无参考和基于参考的评估方法,并能增强 BLEU、BERTScore 等经典指标。
2025-04-07 cs.CL