llm-as-judge-reliability

本文评估了代理科学合成系统中的引用忠实性，表明当前验证器的不可靠性，无支持引用率根据严格程度在3%到18%之间变化。它提出了一种以黄金标准锚定的评估协议和一个可部署的保护机制，该机制使用分裂共形预测为真正无支持的引用提供无分布界限。