标签
本文探讨了当标准为二元时，哪些用于LLM评委验证的一致性统计是冗余的，并提供了一个包含弃权处理在内的正确报告清单。
本文介绍了 RuDE，这是一种通过利用响应鉴别力来预测预训练大语言模型（LLM）后训练潜力的框架，旨在解决 MMLU 等传统基准测试的局限性。