标签
本预印本对LLM评审团的聚合独立性指标提出质疑，表明验证信号仅在关键的“一票之差”查询上提升准确率，并提出一种按票数差距分层的调用缩减规则。
这篇arXiv论文研究了来自模拟同行的共享社会线索如何破坏LLM安全评审小组中的多数投票保护。它表明，当所有评审者收到相同的错误“不安全”标签时，小组的误报率跃升至100%，揭示了一种失败模式，并提供了一种部署前的诊断方法。
本文介绍了SynthAVE，一个大规模人工验证的电子商务属性值提取基准，采用多LLM竞技场框架（含21种裁判配置）来高效且经济地验证合成标签，同时保持与人工审核相当的质量。
论文提出了一种基于委托的聚合器，名为传播代理投票（PPV），它利用字母熵和推理几何改进多样本LLM推理中的多数投票，在MMLU-Pro上取得了收益，无需外部标签或辅助训练。
这篇arXiv论文提出了一种协议，用于评估ChatGPT在生成和验证生物医学关联方面的能力，采用基于RAG的跨模型多数投票工作流，以解决幻觉问题和本体论局限性。
本论文分析了AIMO 3的推理时优化技术，发现模型能力优于提示工程和多样化采样策略。研究表明高温度采样已经能够最大程度地去相关化误差，为基于提示的改进留下了很少余地，并识别出单个模型pass@20与多数投票共识之间存在6分的选择损失差距。