Beyond Score Prediction: LLM-Based Essay Scoring and Feedback Generation via Reinforcement Learning with Rubric Rewards
研究基于大语言模型的作文评分与反馈生成，提出RLAES框架，通过强化学习联合优化。引入RFE评估框架，提出AGFO和ACR方法。实验表明RFE能捕捉一致性，RLAES-AGFO在评分性能上最佳，保持反馈质量同时避免反馈退化。
2026-07-22 cs.AI cs.CL
Beyond Holistic Scores: Automatic Trait-Based Quality Scoring of Argumentative Essays
ELLIS Alicante（埃利斯阿尔瓦雷斯）；Universitat d'Alacant（阿尔瓦雷斯大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文提出基于特征的自动论说作文评分方法，通过两种建模范式提升评分准确性，并展示小型LLM在无需微调下的竞争力。
2026-02-04 cs.CL
Quantifying the Statistical Effect of Rubric Modifications on Human-Autorater Agreement
Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究）
研究探讨评分标准修改对人类与自动评分者一致性的影响，发现提供代表性示例和减少位置偏见可提高一致性，而高复杂度和保守聚合方法则降低一致性。
2026-05-07 cs.CL
Evaluating Austrian A-Level German Essays with Large Language Models for Automated Essay Scoring
Salzburg University of Applied Sciences（萨尔茨堡应用科学大学）
本文利用大型语言模型评估奥地利A级德语作文，发现其在评分一致性上存在显著不足，无法替代人类评分。
2026-03-06 cs.AI cs.CL
Is GPT-4 Alone Sufficient for Automated Essay Scoring?: A Comparative Judgment Approach Based on Rater Cognition
KNUE（韩国国立教育大学）；Hoseo University（湖西大学）
针对 LLM 零样本作文评分不足且难以逐任务微调的问题，提出结合 LLM 与比较判断的零样本成对选择方法，并证明其优于传统评分标准法。
2024-07-08 cs.CL cs.CY
Structured Prompting for Arabic Essay Proficiency: A Trait-Centric Evaluation Approach
本文提出了一种新的提示工程框架，用于阿拉伯语特质特定的自动作文评分，利用大语言模型在零样本和少样本配置下进行评估。通过三种层次提示策略，指导模型评估如组织、词汇、发展和风格等语言能力特质。实验表明，结构化提示法在阿拉伯语自动作文评分中效果显著。
2026-03-20 cs.CL
Rationale Behind Essay Scores: Enhancing S-LLM's Multi-Trait Essay Scoring with Rationale Generated by LLMs
Graduate School of Data Science, KAIST（韩国科学技术院数据科学研究生院）；Department of Industrial & Systems Engineering, KAIST（韩国科学技术院工业与系统工程系）
本文提出RMTS方法，将LLM生成的特质级评分理由与S-LLM微调评分模型结合，在ASAP、ASAP++和Feedback Prize等基准上显著提升多特质论文评分的准确性与可解释性。
2025-02-05 cs.AI cs.CL
LLM Essay Scoring Under Holistic and Analytic Rubrics: Prompt Effects and Bias
Faculty of Mathematics and Information Science, Warsaw University of Technology（华沙理工大学数学与信息科学学院）；University of Wolverhampton（伍尔弗汉普顿大学）
研究评估了指令微调LLM在三种开放性作文评分数据集上的表现，发现整体评分与人类一致，但分析评分存在显著偏见，尤其在低阶关注点如语法上表现更严厉，且简洁提示优于长格式提示。
2026-03-31 cs.AI cs.CL
Beyond Agreement: Diagnosing the Rationale Alignment of Automated Essay Scoring Methods based on Linguistically-informed Counterfactuals
Beijing Normal University（北京师范大学）；Tencent AI Lab（腾讯 AI 实验室）
针对自动作文评分方法决策机制不透明的问题，提出借助大语言模型反事实干预的诊断方法，发现类BERT模型侧重句级特征，大语言模型与评分标准的理由对齐更全面，可提升神经评分方法的可解释性并推广至其他领域。
2024-10-08 cs.CL
RubricArmor: Adversarial Evolution Improves LLM-Based Rubric Generation
National University of Singapore（新加坡国立大学）；Beijing University of Chemical Technology（北京化工大学）；Zhejiang University（浙江大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Southeast University（东南大学）；Xiaohongshu（小红书）；Peking University（北京大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
RubricArmor通过对抗演化在评分标准生成阶段主动暴露并修复奖励黑客漏洞，提升基于LLM的评分标准质量，进而增强下游强化学习效果。
2026-10-06 cs.CL
LLM Agents at the Roundtable: A Multi-Perspective and Dialectical Reasoning Framework for Essay Scoring
NC AI；Chung-Ang University
本文提出多智能体框架 RES，通过模拟圆桌讨论和辩证推理整合多视角作文评估，在零样本条件下显著提升自动作文评分与人类评价的一致性。
2025-09-19 cs.CL
Machine-Assisted Grading of Nationwide School-Leaving Essay Exams with LLMs and Statistical NLP
Tallinn University（塔林大学）；University of Tartu（塔尔图大学）；Estonian Business School（爱沙尼亚商学院）；Institute of the Estonian Language（爱沙尼亚语言研究所）
本文研究了利用LLM和统计NLP进行全国毕业考试作文自动评分的可行性，证明其在保持人类监督的同时可实现高精度评估。
2026-01-22 cs.AI cs.CL
SoK: Grading Open-Text Legal Answers, from Law School Exams to Trustworthy Rubric Judges
Technical University of Munich (TUM)（慕尼黑工业大学）
本文系统化开放式文本法律答案的评估，对比八种评估范式，提出可信评分规则评判者，明确保障措施依据及待测试内容。
2026-10-21 cs.CL
Specialists or Generalists? Multi-Agent and Single-Agent LLMs for Essay Grading
Sahel AI, Sahel Group Inc.（Sahel AI，Sahel Group Inc.）；University College London (UCL)（University College London（UCL））；Prince Sultan University
本文比较了多智能体与单智能体LLM在作文评分中的表现，发现多智能体系统在识别弱作文方面更优，而单智能体系统在中等质量作文上表现更好，少样本校准对性能影响显著。
2026-01-29 cs.CL cs.MA
A Two-Phase Stability Study of LLM Judges and Bar Council Examiners on Thai Bar-Exam Free-Form Essays
VISAI AI（VISAI人工智能）
通过泰国律师资格考试的自由回答论文评估，研究LLM评审员与人类考官在评分一致性上的不对称性，发现LLM评审员倾向于多数人类阅读而无法复制少数人类阅读。
2026-06-17 cs.CL cs.CY
From Texts to Scores: Tracing the Emergence of Essay Quality Representations in Large Language Models
NLP2 CT Lab, Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系NLP2 CT实验室）；Institute of International Language Services Studies, Macau Millennium College（澳门 millennium 学院国际语言服务研究学院）；School of Data Science and Information Engineering, Guizhou Minzu University（贵州民族大学数据科学与信息工程学院）
通过线性探测等方法分析8个LLM在三个数据集上的隐藏表征，发现作文质量信息以线性可解码形式存在，并识别出与分数相关的神经元，揭示了LLM评分的内在机制。
2026-06-19 cs.AI cs.CL
Decision-Level Ordinal Modeling for Multimodal Essay Scoring with Large Language Models
本文提出DLOM方法，通过显式序数决策提升多模态作文评分的准确性，DLOM-GF和DLOM-DA分别引入门控融合模块和距离感知正则化项，实验表明在多模态和纯文本评分任务中均取得显著提升。
2026-03-16 cs.AI cs.CL
How Well Does AI-Generated Feedback Work? Intrinsic and Extrinsic Evaluation across more than 20,000 EFL Essay Drafts
Tohoku University（东北大学）；RIKEN（理化学研究所）；ALTA Institute, Computer Laboratory, University of Cambridge（剑桥大学ALTA研究所，计算机实验室）；CNRS, LIS, Aix-Marseille University（法国国家科学研究中心，艾克斯-马赛大学语言信息处理实验室）；MBZUAI（Mohamed bin Zayed大学人工智能学院）
研究外语写作中人工智能生成的书面纠正性反馈效果，通过大学外语班级近2000名学生的超20000篇草稿，从教师内在评估和学生外在反馈两角度评估，发现传统专家评估与学生反馈一致性低，强调以学习者为中心评估框架的重要性。
2026-07-17 cs.CL
Korean Canonical Legal Benchmark: Toward Knowledge-Independent Evaluation of LLMs' Legal Reasoning Capabilities
University of Seoul（首尔大学）；LBOX
韩国规范法律基准通过问题级支持先例评估LLM法律推理能力，揭示领域知识依赖下的模型差距，展示推理专用模型的优越性。
2026-01-03 cs.CL
RDBE: Reasoning Distillation-Based Evaluation Enhances Automatic Essay Scoring
Shahid Soltani 4 High School（沙希德·索尔塔尼4高中）
RDBE通过利用大语言模型生成推理来蒸馏小语言模型，为自动作文评分提供可解释的分数，并在所有评分标准上超越基线，达到最先进性能。
2024-07-03 cs.CL cs.CY cs.LG
Not All Criteria Matter: Importance-Aware Criteria Weighting for Rubric-Based LLM Evaluation
National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Renmin University of China（中国人民大学）；Xiaohongshu（小红书）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Shanghai Jiaotong University（上海交通大学）；Peking University（北京大学）
针对基于 rubric 的 LLM 评估中现有均匀加权的缺陷，提出 ICW 方法，通过 LLM 的成对重要性比较推导标准权重，实验显示其优于现有方法且可提升下游强化学习的策略模型性能。
2026-10-15 cs.CL
AMARIS: A Memory-Augmented Rubric Improvement System for Rubric-Based Reinforcement Learning
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Adobe Inc.（Adobe公司）；Department of Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系）
提出AMARIS系统，通过持久化评估记忆存储纵向训练证据来改进评分标准，在科学、医学、指令遵循和创意写作任务上优于静态、局部自适应和无记忆基线方法。
2026-05-26 cs.AI cs.CL cs.LG
From Diagnosis to Redesign: Using Quantitative Ethnography to Improve Multi-Agent LLM Reasoning
University of California, Irvine（加利福尼亚大学欧文分校）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Monash University（莫纳什大学）；Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
本研究提出定量人种志方法，以自动作文评分为例，通过分析五智能体辩论系统的交互模式诊断问题并修改提示词，使多智能体LLM的评分准确率从27.78%提升至40.28%。
2026-08-25 cs.CL
SEFORA: Student Essays with Feedback Corpus and LLM Feedback Evaluation Framework
University of Pittsburgh（匹兹堡大学）
为解决大规模写作反馈中缺乏真实课堂反馈语料和评估方法的问题，构建了SEFORA语料库和UniMatch评估框架，实验表明LLM生成的反馈与教师反馈一致性低（F1≤0.4）。
2026-07-02 cs.AI cs.CL
Rubric-Specific Approach to Automated Essay Scoring with Augmentation Training
Databank, Inc.（Databank公司）
本文提出基于评分细则的数据增强训练方法，使自动作文评分模型学习被忽略的特征，并在ASAP数据集上保持最先进性能。
2023-09-06 cs.AI cs.CL
Bridging Network Psychometrics and Artificial Intelligence: An Ising-Potts Model with LLM-Derived Weights
提出 Rater Ising-Potts 模型，利用 LLM 嵌入权重和两两协议指标评估多类别评分可靠性，无需预设阈值，在 AERA 数据集上验证了与人类评分的高度一致性。
2026-09-15 cs.CL stat.AP
EDIT: Evidence-Diagnosed Intervention Training for Rule-Faithful LLM Grading
King’s College London（伦敦国王学院）；University of Cambridge（剑桥大学）；AQA；The Alan Turing Institute（艾伦·图灵研究所）
提出EDIT框架，通过内部模型信号定位推理错误步骤并修正，结合信念引导的奖励塑造，提升LLM评分对评分标准的忠实度。
2026-09-04 cs.CL
"I Wrote, I Paused, I Rewrote" Teaching LLMs to Read Between the Lines of Student Writing
本文构建记录击键与文章快照的写作工具，验证让 LLM 结合完整写作轨迹而非仅看终稿，可生成更受学生认可、更贴合思维与修改过程的反馈。
2025-06-09 cs.CL
DREsS: Dataset for Rubric-based Essay Scoring on EFL Writing
KAIST（韩国科学技术院）
本文发布包含 48.9K 样本的 DREsS 数据集及 CASE 增强策略，以支持 EFL 写作中基于评分量规的自动作文评分。
2025-06-11 cs.AI cs.CL
SWIM: Student Writing Simulation via Proficiency-Conditioned Generation
ETH Zurich（苏黎世联邦理工学院）；ETH AI Center（ETH人工智能中心）
本研究提出SWIM任务，评估提示、SFT、RL方法在学生写作模拟中的表现，发现明确监督比单独提示对齐效果更强，但低熟练度写作仍难复现。
2026-09-04 cs.CL cs.LG
CRACQ: A Multi-Dimensional Approach To Automated Document Assessment
本研究提出多维文档评估框架CRACQ，整合多维度信号从五个特质评估各类机器生成文本，实验显示其比直接大模型评估的特质级判断更稳定可解释。
2025-09-26 cs.AI cs.CL cs.LG
Automated Topical Component Extraction Using Neural Network Attention Scores from Source-based Essay Scoring
University of Pittsburgh（匹兹堡大学）
虽然自动论文评分（AES）可以可靠地对论文进行评分，但自动写作评估（AWE）还提供了形成性反馈来指导论文修改。然而，神经AES通常不提供用于支持AWE的有用特征表示。本文提出了一种连接AWE和神经AES的方法，通过使用注意力层的中间输出从源文本中提取表示证据的主题成分（TC）。我们使用基于特征的AES评估性能，需要TC。结果表明，无论是使用自动或手动构造的TC的性能是相当的1）代表论文为基于规则的功能，2）评分论文。
2020-08-04 cs.CL
Predicting the Quality of Revisions in Argumentative Writing
University of Pittsburgh（匹兹堡大学）；Learning Research and Development Center（学习研究与发展中心）；RAND Corporation（兰德公司）
针对议论文修订质量依赖整体论证语境的问题，本文利用思维链提示引导ChatGPT生成论证语境并预测修订质量，在小学生与大学生作文语料上均优于基线。
2023-06-01 cs.AI cs.CL
QA-LIGN: Aligning LLMs through Constitutionally Decomposed QA
Arizona State University（亚利桑那州立大学）；University of California, Davis（加州大学戴维斯分校）
QA-LIGN通过分解奖励信号提升LLM对齐效果，降低攻击成功率并保持低拒绝率，实现安全与帮助性的帕累托最优。
2025-12-04 cs.CL
A rubric landscape for evaluating clinical reasoning in large language models: what exists, what is missing, and what needs to be combined
DRIVE-Health CDT（DRIVE-Health 博士训练中心）；Department of Biostatistics and Health Informatics（生物统计学与健康信息学系）；Institute of Psychiatry, Psychology and Neuroscience（精神病学、心理学与神经科学研究所）；King’s College London（伦敦国王学院）；Cleveland Clinic London（伦敦克利夫兰诊所）
本研究系统梳理医学教育与临床LLM评估文献，提出覆盖六维度的临床推理评估框架，指出需整合现有工具并强化忠实性等薄弱环节。
2026-10-22 cs.AI cs.CL
Long Context Automated Essay Scoring with Language Models
Cambium Assessment Inc.（Cambium评估公司）
针对Transformer语言模型因长度限制截断文本而影响自动作文评分效度的问题，本研究使用Kaggle ASAP 2.0数据集评估了XLNet、Longformer、ModernBERT、Mamba和Llama等改进架构的微调模型，以克服长度限制并提升评分能力。
2025-09-12 cs.CL
Advanced Financial Reasoning at Scale: A Comprehensive Evaluation of Large Language Models on CFA Level III
Rochester Institute of Technology（罗切斯特理工学院）；GoodFin, Inc（GoodFin公司）；New York University（纽约大学）
本文通过CFA三级考试基准全面评估23个大型语言模型，采用思维链等提示策略，发现o4-mini等模型得分超77%，证明LLM在高级金融推理中取得显著进展，并为模型选择与成本效益部署提供指导。
2025-09-22 cs.AI cs.CL
How LLMs Distort Our Written Language
UC Berkeley（加州大学伯克利分校）；UC San Diego（加州大学圣地亚哥分校）；University of Washington（华盛顿大学）；Zaytuna College（扎亚图纳学院）；Google DeepMind（谷歌DeepMind）
研究揭示大语言模型不仅改变写作语气，还持续改变写作本意，通过用户研究和数据集分析发现，即使在专家反馈下，LLM仍会显著改变文本语义，影响科学机构和文化。
2026-08-28 cs.AI cs.CL
Instruction Quality Matters: Refining Instructions for Effective Preference Learning
Sogang University（西江大学）；Korea University（高丽大学）
该研究发现指令质量是偏好学习的隐性瓶颈，提出基于奖励信号与评分标准引导的LLM反馈的指令优化流程，可提升偏好数据质量，增强LLM对齐效果。
2026-08-28 cs.CL
TW-LegalBench: Measuring Taiwanese Legal Understanding
University of Rochester（罗切斯特大学）；National Taiwan University（国立台湾大学）；NVIDIA（英伟达）
提出TW-LegalBench基准，包含多项选择、开放式问答和法律判决预测任务，评估13个LLM在台湾法律上的表现，发现顶尖模型通过律师考试但未达到法官检察官标准，且法律条文引用困难。
2026-08-26 cs.AI cs.CL cs.IR
APRES: An Agentic Paper Revision and Evaluation System
Meta Superintelligence Labs（Meta 超智能实验室）；University of Edinburgh（爱丁堡大学）
APRES利用大型语言模型改进论文质量，通过评估标准提升引用预测，79%的专家更喜欢修订后的论文。
2026-03-03 cs.AI cs.CL
How Well Can You Articulate that Idea? Insights from Automated Formative Assessment
Pennsylvania State University（宾夕法尼亚州立大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本研究探讨自动化形成性评价中影响反馈准确性的两个因素：主要想法的解释自由度差异及学生陈述清晰度不足的诊断，为教师和同伴提供帮助学生更清晰表达想法的机会。
2024-04-17 cs.CL
Toward LLM-Supported Automated Assessment of Critical Thinking Subskills
University of Minnesota（明尼苏达大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adelaide University（阿德莱德大学）；Brighter Research（Brighter研究公司）；Educational Testing Service (ETS)（教育考试服务中心（ETS））
本文探讨了利用大型语言模型评估批判性思维子技能的可行性，通过实验发现微调Llama 3.1 8B在评估具有高度可分离熟练度层级的子技能时表现最佳。
2026-02-18 cs.CL cs.CY cs.LG
IELTS Writing Revision Platform with Automated Essay Scoring and Adaptive Feedback
本文提出一个具备自动评分和自适应反馈的IELTS写作修订平台，通过基于Transformer的模型提升评分准确性，并通过实验验证其在备考中的有效性。
2025-12-30 cs.CL cs.HC
Prompt- and Trait Relation-aware Cross-prompt Essay Trait Scoring
POSTECH（浦项科技大学）
本文提出一种提示与特质关系感知的跨提示论文特质评分模型，利用论文-提示注意力和主题一致性特征，并设计特质相似性损失，在跨提示场景下实现多特质评分，取得最先进结果。
2023-05-26 cs.AI cs.CL
Can generative AI figure out figurative language? The influence of idioms on essay scoring by ChatGPT, Gemini, and Deepseek
Middle East Technical University（中东技术大学）
本研究评估ChatGPT、Gemini和Deepseek对含习语作文的评分表现，发现Gemini在评分者间信度上最优，且最接近人工评分模式，有望独立承担作文评分任务。
2025-10-16 cs.AI cs.CL
Automated essay scoring in Arabic: a dataset and analysis of a BERT-based system
本研究构建阿拉伯语AES基准数据集AR-AES，并首次将AraBERT用于评分，发现其错误多在1分以内，优于人工评分一致性，展示了AES辅助大规模评分的潜力。
2024-07-15 cs.AI cs.CL
MADRAG: Multi-Agent Debate with Retrieval-Augmented Generation for Training-Free Analytic Essay Scoring
University of California, Irvine（加州大学尔湾分校）
提出MADRAG框架，结合多智能体辩论与检索增强，通过倡导者、批评者和法官的交互以及检索示例校准，实现无需训练的论文评分，性能接近监督系统。
2026-06-04 cs.CL cs.MA
Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems
IIIT-Delhi（德里印度理工学院）；Adobe（奥多比公司）；SUNY-Buffalo（布法罗纽约州立大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
在过去的三年里，自动评分引擎已经为大约1500万名考生评分。由于COVID-19以及相关的教育和测试自动化，这一数字正在进一步增加。尽管使用如此广泛，但这些“智能”模型的基于AI的测试文献非常缺乏。大多数提出新模型的论文仅依赖于基于二次加权Kappa（QWK）的与人类评分员的一致性来显示模型的有效性。然而，这实际上忽略了作文评分的高度多功能性。作文评分取决于连贯性、语法、相关性、充足性和词汇量等特征。到目前为止，还没有研究测试自动论文评分：AES系统全面的所有这些功能。有了这个动机，我们提出了一个模型不可知的对抗性评估计划和相关的AES系统的指标，以测试他们的自然语言的理解能力和整体的鲁棒性。我们评估目前国家的最先进的AES模型，使用所提出的计划，并报告最近的五个模型的结果。这些模型从基于特征工程的方法到最新的深度学习算法。我们发现AES模型是高度超稳定的。即使是与问题主题无关的内容的重大修改（高达25%）也不会降低模型产生的分数。另一方面，不相关的内容，平均而言，增加了分数，从而表明，模型的评价策略和标题应该重新考虑。我们还要求200名人类评分员对原始和对抗性反应进行评分，看看人类是否能发现两者之间的差异，以及他们是否同意自动评分所分配的分数。
2021-11-14 cs.AI cs.CL
TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces
TraceDance从真实部署轨迹自动构建针对性智能体行为基准，采用Anchor-and-Confirm与合成循环高效生成，实验显示前沿LLM平均通过率仅26.7%，助力递归自我改进。
2026-09-29 cs.AI cs.CL
Automated Long Answer Grading with RiceChem Dataset
Rice University（莱斯大学）
本文提出自动长答案评分（ALAG）任务并构建RiceChem数据集，通过将其表述为评分细则蕴含问题并利用MNLI迁移学习，有效提升了长答案评分性能。
2024-04-22 cs.CL
eRevise: Using Natural Language Processing to Provide Formative Feedback on Text Evidence Usage in Student Writing
Learning Research and Development Center（学习研究与发展中心）；University of Pittsburgh（匹兹堡大学）
写一篇好文章通常需要学生在收到反馈后修改最初的论文草稿。我们提出了eRevise，一个基于网络的写作和修改环境，使用自然语言处理功能生成的基于规则的论文评分，以触发形成反馈信息，学生的使用证据，在响应文本写作。通过帮助学生了解在写作过程中使用文本证据的标准，eRevise使学生能够更好地修改他们的论文草稿。在一个试点部署的eRevise在7个教室跨越5年级和6年级，在写作中的文本证据使用的质量提高后，学生收到形成性反馈，然后从事论文修订。
2019-08-06 cs.AI cs.CL
Min-p, Max Exaggeration: A Critical Analysis of Min-p Sampling in Language Models
Stanford University（斯坦福大学）
本文批判性重审ICLR 2025论文关于min-p采样的主张，发现其人工评估、基准测试、LLM评判及社区采用证据均存在缺陷，无法证明min-p在质量、多样性或权衡上优于基线。
2025-06-19 cs.CL cs.LG
TeachGrade: Training-Free Short Answer Scoring with Teacher Evidence
Fuzhou University（福州大学）；Peking University（北京大学）
TeachGrade 是基于教师证据的无训练简答题评分框架，通过构建冻结记忆等模块，在 SAS-Bench 等数据集上显著提升评分一致性等指标，可跨场景复用。
2026-10-14 cs.CL
