measurement-reliability

这项实证调查通过测量11种条件下的评估者耦合、策略多样性和小样本可靠性，扩展了先前关于LLM评估中偏差-可靠性权衡的研究，证实了低评估者影响会导致高测量噪声，而强耦合会降低多样性和噪声。