Black-Box Auditing of Epistemic Reliability in Multi-Agent Debate Distillation
针对多智能体辩论蒸馏中的认知可靠性退化,提出黑盒审计框架ER-Audit,通过两阶段反例搜索与序贯检验揭示被性能增益掩盖的隐藏任务退化。
2026-09-29 cs.AI cs.CL cs.CR
When the Judge Acts: Auditing VLM-Guided Image Selection on Culturally Situated Prompts
本研究审计VLM裁判在文化情境提示下选择图像的行为,发现4B裁判存在严重位置偏差且弱于CLIP基线,而8B裁判表现更优;跨顺序一致性仅对前者有效,强调裁判更换时需重新审计过滤器。
2026-10-02 cs.AI cs.CV cs.CY
Automated Textbook Auditing with Multi-Agent LLM Systems
University of Bucharest(布加勒斯特大学);Dimitrie Cantemir Christian University(迪米特里·坎泰米尔基督教大学)
研究旨在确保教材质量,提出人工智能教科书审核器这一多智能体管道,通过事实技术与语法双轨道分析生成报告,经判断智能体过滤误报,支持两种摄取模式且可领域适配,在两本教科书上验证可减少人工查找问题工作量。
2026-07-14 cs.AI cs.CL cs.CY
Auditing Failure Attribution: Label Predictability and Judge Behavior
Purdue University(普渡大学)
本文针对失败归因基准测试提出四项测试以区分LLM评判者的跨步骤检查与表面线索使用,实验显示简单预测器表现与GPT-4.1相当,建议开发相关基准时报告这些测试。
2026-10-14 cs.AI cs.CL cs.LG
Bias in the Loop: Auditing LLM-as-a-Judge for Software Engineering
University of British Columbia(不列颠哥伦比亚大学)
本文研究了LLM作为评判者在代码评估中的偏见问题,通过测量优先的方法分析了代码生成、修复和测试生成任务中的评判制度,并发现提示偏见显著影响评判结果,甚至改变任务结论和模型排名。
2026-04-18 cs.AI cs.SE
AgentForesight: Online Auditing for Early Failure Prediction in Multi-Agent Systems
Rutgers University(新泽西罗格拉大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Purdue University(普渡大学)
本文提出AgentForesight框架,通过在线审计实现多智能体系统中早期故障预测,利用AFTraj-2K数据集训练出AgentForesight-7B模型,在性能和定位精度上优于GPT-4.1等模型。
2026-05-13 cs.AI cs.CL cs.MA
RAudit: A Blind Auditing Protocol for Large Language Model Reasoning
Stanford University(斯坦福大学)
RAudit通过盲审协议检测大语言模型推理中的问题,揭示了四个导致模型不可靠的机制,挑战了能力与鲁棒性之间的关系。
2026-01-30 cs.AI
Right Order, Wrong Scale: Auditing LLM Judges for Occupational AI Measurement
Massachusetts Institute of Technology(麻省理工学院)
本研究通过O*NET-BENCH审计套件评估33种LLM评判者配置,发现排序一致性高但接受率估计偏差大,表明评判者需针对目标聚合指标验证。
2026-10-05 cs.AI cs.CL cs.CY
Blind to the Pivotal Vote: Aggregate Independence Metrics Miss Where Verification Actually Helps
Zhejiang University(浙江大学)
该研究发现 LLM 评委组的准确率提升集中在关键查询上,提出的按边际分层的单票替换规则可有效提升整体准确率,且总体依赖性诊断与分层效用互补。
2026-08-10 cs.AI
A Statistical Framework for Auditing Behavioral Dependence and Induced Bias in LLM Judges
Texas A&M University(德克萨斯农工大学)
本文提出一种统计框架,用于审计大型语言模型之间的行为纠缠,通过多分辨率层次结构和信息理论度量,分析行为纠缠对验证性能的影响,并通过重加权验证者集合减少相关偏差。
2026-08-11 cs.AI cs.CL
When LLMs Agree, Are They Right? Auditing Self-Consistency and Cross-Model Agreement as Confidence Signals
University of Pennsylvania(宾夕法尼亚大学)
研究探讨大语言模型一致性与正确性的关系,通过大规模交叉运行研究,发现一致性是正确性的条件代理,对不饱和中层模型和计算分配较有用,对最一致的前沿模型存在过度自信问题,还公开了相关数据。
2026-07-30 cs.AI
PAIR-SAFE: A Paired-Agent Approach for Runtime Auditing and Refining AI-Mediated Mental Health Support
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
PAIR-SAFE通过配对代理框架,在运行时对AI生成的心理健康支持进行审计和改进,结合MITI-4框架提升临床相关性。
2026-10-26 cs.AI cs.CL cs.CY
Auditing Reward Hackability in Code RL Training Environments
测量代码RL环境接受错误解决方案的比率,发现SWE-bench Verified中28.5%的任务测试套件薄弱,并提出通过LLM判断器和Docker金标准门控来加固漏洞任务的方法。
2026-06-16 cs.AI cs.LG
DialogGuard: Multi-Agent Psychosocial Safety Evaluation of Sensitive LLM Responses
University of Leeds(利兹大学);Southwest Jiaotong University(西南交通大学);Department of Industrial Engineering and Management(工业工程与管理系);Ben-Gurion University of the Negev(贝内尔·加隆大学)
DialogGuard通过多智能体框架评估LLM响应的心理社会风险,提供高准确性的风险检测与可解释的评估结果,支持安全提示设计和脆弱用户应用的监督。
2025-12-01 cs.AI cs.HC cs.MA
Can We Trust This Evaluation? Instance-Level Reliability of LLM-as-a-Judge
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院);School of Mathematical and Natural Sciences, Arizona State University(亚利桑那州立大学数学与自然科学学院)
针对LLM-as-a-judge评估中单个项目评估不可靠的问题,提出SCUR方法,通过三个互补信号生成风险评分,在五个基准上验证其能有效检测其他方法的盲点高共识风险项目。
2026-10-14 cs.AI cs.LG stat.ML
A Judge Should Know What Changed:Construct Validity for LLM-as-a-Judge Evaluation
South China University of Technology(华南理工大学);University of Macau(澳门大学)
该研究针对LLM作为评审的评估,提出二维结构效度指标(不变性S与结构敏感性R),发现高评审一致性常伴随对结构变化的弱敏感性,建议联合报告两指标并审计验证集。
2026-08-26 cs.AI
SpatialChain: A Benchmark for Auditing Spatial Reasoning Faithfulness in VLMs
Universidade Federal de Mato Grosso (UFMT)(马托格罗索联邦大学);Universidade Federal de Goiás (UFG)(戈亚斯联邦大学);Advanced Knowledge Center for Immersive Technologies (AKCIT)(沉浸式技术高级知识中心)
提出SpatialChain基准,通过链重叠和场景图感知评判器审计VLM空间推理忠实度,发现高准确率下的捷径率,并验证SFT可提升忠实度。
2026-10-06 cs.AI cs.CL cs.CV
Reliability of LLM Judges for Evaluating Entity Alignment
University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Information Sciences Institute, University of Southern California(南加州大学信息科学研究所)
本研究首次系统评估 LLM 法官在实体对齐任务中的可靠性,发现标签暴露导致锚定偏差削弱判别能力,提出无标签协议可恢复性能,并发布生物医学基准与审计框架。
2026-10-30 cs.AI
JURY-RL: Votes Propose, Proofs Dispose for Label-Free RLVR
Zhejiang University, Hangzhou, China(浙江大学,杭州,中国);Tongyi Lab, Alibaba Group, Hangzhou, China(通义实验室,阿里巴巴集团,杭州,中国)
JURY-RL提出一种无标签RLVR框架,通过模型回放提议候选答案,形式验证器判定是否可获正奖,从而稳定训练并提升数学推理性能。
2026-04-28 cs.AI
SESSE: Sketch, Expand, Sort, Summarize, Evaluate -- LLM-as-Judge Evaluation via Structured Decomposition
Apple(苹果公司)
该研究针对大模型作为评判者评估无法分离质量维度等问题,提出无需训练的SESSE框架,在RewardBench上实现与基线近乎相当的性能,且可提供可解释的审计跟踪。
2026-08-20 cs.AI cs.LG
When the Judge Should Not Decide: Evidence-Locked, Non-Compensatory Selection Bounds LLM-Judge Failure in Reasoning Pipelines
School of Computing and Information Technology, University of Wollongong(伍伦贡大学计算与信息技术学院);CSIRO’s Data61(联邦科学与工业研究组织Data61研究院);School of Computer Science and Information Technology, Adelaide University(阿德莱德大学计算机科学与信息技术学院)
该研究针对推理流程中的LLM评判者,提出证据锁定的非补偿规则EL-DGR,在不改变评判者等条件下提升了GSM8K和HotpotQA任务性能,发现应限制评判者影响范围而非提升其准确率。
2026-10-20 cs.AI
Credit Without Ground Truth: Claim-Matched Evaluation of Step-Level Credit with Finite Executed Replay
University of Southern California(南加州大学)
该研究针对LLM智能体,在ALFWorld环境中审计步骤级信用分配,发现现有信用信号无法识别关键步骤,提出需匹配有效样本量比较信用规则。
2026-10-27 cs.AI cs.CL cs.LG
Who Judges the Judges? A Chinese Safety QA Benchmark for Evaluating LLM Responses and Safety Judges
Anhui SparkShield Intelligent Technology(安徽星火盾智能科技);iFLYTEK(讯飞科技);Peking University(北京大学);Shanghai Innovation Institute(上海创新研究院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本研究推出中文安全问答基准C-SafeQA,基于多模型裁决与专家盲审生成参考标签,用于评估大语言模型响应安全及自动化安全评判者,发现评判者在关键指标间存在权衡,藏头诗转换会降低评判者的不安全响应召回率。
2026-09-14 cs.AI cs.CR
Code Comprehension then Auditing for Unsupervised LLM Evaluation
University of Maryland, College Park(马里兰大学帕克分校);Princeton University(普林斯顿大学);University of Central Florida(中佛罗里达大学)
本文提出CoCoA框架,通过先理解代码功能再评估任务对齐,提升无监督LLM评估的准确性与F1分数。
2026-04-01 cs.AI cs.CL cs.LG
Where the Evidence Lives: Auditing AI Companions' Self-Descriptions
Mamezo Co., Ltd.(豆藏株式会社);Rikkyo University(立教大学)
本文提出审计程序,将AI伴侣的自我描述与用户判断及实现记录对照,应用于Lita系统,发现记忆机制未运行,强调应报告无法证实的内容。
2026-10-01 cs.AI cs.HC
But what is your honest answer? Aiding LLM-judges with honest alternatives using steering vectors
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Independent(独立)
本文提出JUSSA框架,通过引导向量优化法官的诚实性,提升对欺骗性回答的检测能力,实验显示在不同 dishonesty 水平下,GPT-4.1和Claude Haiku的AUROC均有显著提升,但任务复杂度不匹配时性能下降。
2026-04-01 cs.AI cs.LG
Same Question, Different Source, Different Answer: Auditing Source-Dependence in Medical Multi-Source RAG
Carnegie Mellon University(卡内基梅隆大学)
本文提出来源依赖性作为NLP评估缺失的维度,通过构建移植患者教育基准TransplantQA、分层检索策略HERO-QA和结构化输出评判器,审计多源RAG系统中同一问题因检索来源不同而给出不同答案的失败模式。
2026-05-27 cs.AI cs.CL cs.IR
Framing Instability in LLM Ethical Stance: Auditing Negation Sensitivity in Moral Dilemmas
Kenyon College(肯尼恩学院)
研究大语言模型在伦理问题上因框架改变导致立场不稳定的问题,通过极性配对提议审计16个模型,发现小型模型波动大,商业模型也有变化,提出否定敏感性指数来衡量立场稳定性,指出立场易翻转的模型在高风险决策中不可靠。
2026-07-09 cs.AI
Formal Methods Meet LLMs: Auditing, Monitoring, and Intervention for Compliance of Advanced AI Systems
University of Toronto, Vector Institute(多伦多大学,向量研究所)
本文提出结合形式方法与机器学习的审计和监控技术,用于检测AI系统中时间扩展行为约束的违规,实验表明其在检测违规方面优于LLM基方法,且能有效降低LLM代理的违规率。
2026-05-15 cs.AI cs.CY cs.LG
Distribution-Calibrated Inference Time Compute for Thinking LLM-as-a-Judge
University of California, Berkeley(加州大学伯克利分校);DeepMind(深Mind);University of Cambridge(剑桥大学)
针对思考型大语言模型作为评判者时单样本噪声和聚合不一致问题,提出基于Bradley-Terry-Davidson模型的分布校准聚合方案,利用极性(非平局边际)和决定性(非平局率)区分微弱多数与强共识,显著降低MAE并提高成对准确率,匹配或超越人类评判者。
2026-06-02 cs.AI cs.LG
Auditing LLM Program Search for Bermudan Stopping with Primal--Dual Certificates
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本研究审计LLM驱动的百慕大期权程序搜索,发现生成程序未始终优于Ridge LSMC,对偶审计可验证有效性但无法证明搜索进展,结构化记忆无优势,搜索有效性取决于报告规则。
2026-10-14 cs.AI cs.LG
The Coin Flip Judge? Reliability and Bias in LLM-as-a-Judge Evaluation
Independent Researcher(独立研究员)
研究LLM作为评估者在重复评估中的不可靠性,发现偏好翻转率平均13.6%,存在位置偏见,并建议多轮聚合和不确定性报告。
2026-06-15 cs.AI cs.CL
Are Diversity Metrics Measuring Diversity? A Capability-Controlled Audit of Majority-Vote Gain in LLM Ensembles
Aidentyx Inc.(艾登泰克斯公司)
探讨大语言模型集成中多样性指标与多数投票增益的关系,在能力控制下审计五个多样性指标,发现潜在互补性普遍、指标与准确率共线且统计量不可分离,揭示了多样性指标在衡量多样性方面的问题及相关关联。
2026-07-24 cs.AI cs.CL cs.LG
Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena
UC Berkeley(加州大学伯克利分校);UC San Diego(加州大学圣迭戈分校);Carnegie Mellon University(卡内基梅隆大学);Stanford(斯坦福大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本研究提出使用强LLM作为裁判评估聊天助手,通过MT-bench和Chatbot Arena验证,发现GPT-4等裁判与人类偏好一致性超80%,提供可扩展且可解释的偏好近似方法。
2023-12-24 cs.AI cs.CL
Reasoning Jury: Multi-Model Consensus for Evaluating Reasoning Traces
Amazon AGI(亚马逊AGI)
本研究提出Reasoning Jury系统,以多LLM评审团及调控共识机制替代单模型评审员,其识别推理缺陷的准确率显著优于前沿模型,且开销仅为后者的8%-15%,还可用于理解推理LLM的失败模式。
2026-08-14 cs.AI
Utilizing a digital swarm intelligence platform to improve consensus among radiologists and exploring its applications
UCSF(加州大学旧金山分校)
如今,放射科医生在做出诊断决策和为训练人工智能标记图像方面发挥着关键作用。算法在解释具有挑战性的病例时,可以看到专家之间的阅读者间可靠性(IRR)较低。虽然基于团队的决策被认为优于个人决策,但人际偏见往往在群体互动中蔓延,限制了非主导参与者表达真实意见。为了克服低共识和人际偏见的双重问题,我们探索了一种模拟蜜蜂生物群的解决方案。两个单独的队列;三名放射科医师和五名放射科住院医师在数字群平台上以实时的和盲态方式合作,对膝关节MR检查中的关节病变进行分级。这些共识投票以临床(关节镜检查)和放射学(最资深的放射科医生)观察结果为基准。将一致投票的IRR与两个队列的多数和最有信心投票的IRR进行比较,放射科医生队列的群体投票IRR比多数投票提高了23%。类似的改善23%的内部回报率在3居民群体投票超过多数票,观察。5个居民的群体在IRR上的改善甚至更高,比多数投票高出32%。群体共识投票也将特异性提高了50%。在放射科医生和居民队列中,群体共识投票优于个人和多数投票决定。5个居民的蜂群比3个居民的蜂群具有更高的IRR,表明蜂群规模增加的积极影响。出席和居民群体的表现也超过了最先进的人工智能的预测。算法利用数字群体平台改善了协议,并允许参与者表达无判断的意图,从而实现卓越的临床性能和强大的人工智能。训练标签
2021-09-06 cs.AI cs.DC cs.HC
Using LLM-as-a-Judge/Jury to Advance Scalable, Clinically-Validated Safety Evaluations of Model Responses to Users Demonstrating Psychosis
Apart Research;Odyssean Institute;London School of Economics and Political Science(伦敦政治经济学院);Stanford Institute for Human-Centered AI(斯坦福大学以人为本人工智能研究所)
本文提出利用LLM作为法官或陪审团评估模型响应用户精神病表现的方法,开发了七项临床验证的安全标准,并展示了LLM作为法官在临床验证中的有效性。
2026-03-20 cs.AI cs.CL
Debiasing as a Measurement Intervention: Calibrated Ties and Resolution Loss in LLM-as-a-Judge Evaluation
Shanghai University of International Business and Economics(上海对外经贸大学)
本研究将LLM-as-a-judge去偏视为测量干预,提出TraceJudgeBench基准,发现反引文提示虽抑制偏差但损害分辨率,需联合报告偏差抑制、分辨率保持、平局成本与协议成本。
2026-09-14 cs.AI cs.DL
CARE: Confounder-Aware Aggregation for Reliable LLM Evaluation
University of Wisconsin--Madison(威斯康星大学麦迪逊分校)
CARE通过建模大语言模型判断者的评分来源,有效减少聚合误差,提升评估可靠性。
2026-09-09 cs.AI cs.LG stat.ML
Program-Verified Self-Evolution for Vision-Language Models
LG AI Research(LG AI研究院);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Australian National University(澳大利亚国立大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
针对视觉语言模型自我进化中标签错误率高的问题,提出VQS方法,通过程序验证结构化记录生成问题与答案,显著提升准确率,并在多个基准上超越基线。
2026-09-29 cs.AI cs.CL cs.CV
Curating Merchant-Matching Training Data with Two Confidence-Gated Local LLM Judges
Mastercard(万事达卡);Singapore Management University(新加坡管理大学)
本研究提出使用两个本地大语言模型裁判的置信门控一致性来策划商户匹配训练数据,通过分离阈值提高伪标签纯度,实验表明该方法在覆盖率和纯度上优于单一模型。
2026-10-06 cs.AI cs.LG
TestJack: Should you trust the results in coding benchmarks? Agentic Coding Benchmarks Auditing via Evaluator Evolution
本研究提出 TestJack 框架,通过审计编码基准中智能体试例的测试合规性,发现约 34.4%被判定正确的试例违反任务要求,凸显现有编码评估器需更具适应性的局限。
2026-10-09 cs.AI cs.SE
Auditing Automated Evaluation, Error Propagation, and Runtime Mitigation in Tool-Using Language Agents
Zasti Inc.(Zasti公司)
本文通过AgentProp-Bench评估工具使用语言代理的可靠性,发现基于子字符串的裁判与人类标注一致性较低,但三模型集成能提高一致性,同时发现参数注入导致错误传播的概率较高,运行时拦截器在GPT-4o-mini上有效减少幻觉,但对Gemini-2.0-Flash无显著影响。
2026-08-12 cs.AI cs.CL cs.MA
CLIFT: Conformal Self-Verification for Web Agent Training and Test-Time Scaling
Salesforce AI Research(赛富时人工智能研究院)
CLIFT利用保形自验证将裁判反馈转化为可复用的训练信号和无需裁判的测试时扩展信号,在多个网络智能体基准上达到最先进性能。
2026-10-06 cs.AI cs.CL cs.LG
The Granularity Gap: A Multi-Dimensional Cross-Generational Audit of Sycophancy in Gemini Models
Independent Researcher(独立研究者)
通过多维度分级评估(Likert 0-4),揭示 Gemini 模型在连续尺度上的谄媚行为,发现粗粒度二值指标掩盖了大量社会顺从行为,且代际进步非单调,存在对齐税(谄媚与真实性负相关)。
2026-08-31 cs.AI cs.CL cs.HC
Auditing Political Alignment in LLM Assistants: Engagement, Stance, and User Identity
Purdue University(普渡大学)
本研究提出言论体制概念,通过预注册实验审计六个LLM助手的政治行为,发现系统在参与度和立场上存在不同模式,且会推断用户意识形态,影响对齐与民主质量。
2026-09-22 cs.AI cs.CL cs.CY
Semantic Needles in Document Haystacks: Sensitivity Testing of LLM-as-a-Judge Similarity Scoring
Pacific Northwest National Laboratory(太平洋西北国家实验室);Washington University in St. Louis(华盛顿大学圣路易斯分校);Humana Inc.(Humana公司)
本文提出一个可扩展的多因素实验框架,系统探讨LLM对文档配对中细微语义变化的敏感性。通过针在 haystack 中的类比,测试不同扰动类型、上下文类型、针位置和文档长度对五种LLM相似性评分的影响,揭示LLM在文档内位置偏倚、上下文相关性对评分的影响及模型间的评分分布差异。
2026-10-27 cs.AI cs.CL cs.LG
Proxy Confidence: Auditing Black-Box LLM Agents with a Surrogate's Log-Probabilities
Amazon(亚马逊)
本文提出利用低成本开源替代模型的对数概率审计黑盒LLM代理,通过多种读出方式检测错误调用,无需训练即可提升编码任务准确率与任务成功率。
2026-10-06 cs.AI cs.CL cs.LG
Reference-Free Evaluation of Reasoning in Open-Ended Question Answering
Queen Mary University of London(伦敦大学玛丽皇后学院);Temple University(天普大学)
针对高风险领域人工智能生成答案难验证问题,提出基于推理的无参考框架审核大语言模型输出,通过分解推理轨迹、标记关系并组织成超图等方法评估,在数学和医学推理设置下比直接以大语言模型为基线更可靠,强调问答评估应考虑推理关系组合。
2026-07-23 cs.AI cs.CL cs.LG
Reasoning Consensus: Structural Ensembling of LLM Reasoning via Weighted DAG Aggregation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究提出通过加权DAG聚合集成LLM推理结构的框架,在六个基准上优于多数投票基线,可提供可检查的共识推理图,还能分析不同推理视角。
2026-11-03 cs.AI cs.CL cs.LG