confidence-intervals

本文分析了MMLU等LLM基准中排名不确定性的来源，提出了对假设检验的修改，以构建排名置信区间，并表明不同主题间的变异性很大。

本文评估了社会科学文本分类典型条件下分类器性能指标的置信区间方法，为使用大语言模型时准确估计召回率、精确率等指标的区间提供了指导。