模型评估：多维评估大语言模型
为什么要评估大语言模型？评估最终要回答哪些问题？
原题如何设计多维评估矩阵？不同类型模型的评估重点有什么差异？
原题离线基准、自动评估、人工评估、LLM-as-a-Judge 和线上 A/B 分别解决什么问题？
原题为什么生成质量不能只看流畅度？如何评估相关性、事实性、连贯性和有用性？
原题开放式任务和有参考答案任务有什么区别？自动指标应该如何选择？
原题人工评估和 LLM-as-a-Judge 应该如何设计？如何控制主观性和评审偏差？
原题如何评估模型的知识掌握程度和事实准确性？
原题如何将幻觉问题转化为可评估的标签、指标和归因流程？
原题如何验证幻觉治理方案是否真的有效？
原题常见综合能力 Benchmark 有哪些？它们分别覆盖什么能力？
原题
暂无题目