跳到正文
返回论文列表
cs.CL提交于 已译

提示策略的效果取决于评判者:LLM-as-a-Judge 稳健性的多语言研究

Prompting Strategy Effects Depend on the Judge: A Multilingual Study of LLM-as-a-Judge Robustness

Asal Mehrabi · Mohammad Aliannejadi · Clemencia Siro

中文摘要

大语言模型评判(LLM-as-a-Judge)日益用于多语言任务,但思维链(Chain-of-Thought)、角色设定(Role Conditioning)等提示策略通常仅依据英文基准推荐,其效果能否迁移至不同评判模型和语言仍不清楚:提示敏感性研究多以英文为主,现有多语言评判研究则固定提示模板。该研究通过 9 种提示策略、4 个开放权重评判模型、27 种语言,以及覆盖 13 个数据集的 4 类任务,测量二者的交互作用;在标准参考输出上产生超过 1M 个逐点评分,并以人类判断验证。提示策略不可迁移:评判模型的选择比提示策略更关键,同一策略在不同评判模型上的效果方向可能相反;低资源语言中的稳定性更差,而汇总报告会掩盖这些效应。结果表明,多语言评估中的提示效果取决于评判者、任务和语言。因此,应针对预定评估设置验证提示策略,跨研究比较时也应同时考虑评判模型与提示配置。

关键要点

  1. 01现有提示敏感性研究偏向英文,且多语言评判常固定提示模板。
  2. 02研究覆盖 9 种策略、4 个开放权重评判模型、27 种语言和 13 个数据集。
  3. 03在超过 1M 个标准参考输出逐点评分中,评判模型选择比提示策略更关键。
  4. 04策略效果在不同评判模型间可能反转,低资源语言中的稳定性更差。
  5. 05提示策略需按目标评估设置验证,跨研究比较须记录评判模型与提示配置。

解读

尚无解读。

原始英文摘要

arXiv:2610.31172v1 Announce Type: cross Abstract: LLM-as-a-Judge evaluation is increasingly applied to multilingual tasks, yet prompting strategies such as Chain-of-Thought and Role Conditioning are recommended based solely on English benchmarks. Whether their effectiveness transfers across judge models and languages remains unknown: prompt-sensitivity studies are largely English-centric, while existing multilingual judge studies fix the prompt template. In this work, we address this gap by measuring this interaction through a benchmark of 9 prompting strategies, 4 open-weight judges, 27 languages, and 4 tasks across 13 datasets, yielding over 1M pointwise scores on gold-reference outputs, validated against human judgments. We find that prompting strategies are not transferable: the choice of the judge model dominates the choice of prompting strategy, strategy effects reverse direction across judges, and stability degrades in low-resource languages, where these effects are concealed by aggregate reporting. These findings show that prompting effects in multilingual evaluation are conditioned on the judge, task, and language. Consequently, prompting strategies should be validated for the intended evaluation setting, and cross-study comparisons should account for both judge and prompt configuration.

同方向论文 · cs.CL

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 6

写作ai.aporet.com·外部收录·

根据客户消息和公司政策生成客服回复草稿,并标注风险点供人工审核

你是客服质检助手。请根据客户消息和公司政策,生成一版客服回复草稿。 客户消息:【粘贴】 相关政策:【粘贴】 订单/账号信息:【如无则写无】 要求: 1. 语气友好、简洁、尊重客户感受 2. 只基于已提供政策回复 3. 不承诺未确认的退款、赔偿、时效 4. 标注需要人工确认的信息 5. 输出回复草稿和风险点

学习quaily.com·外部收录·

根据学生水平、授课主题与项目要求,为教师生成10个课堂项目创意。

你是一位乐于助人、注重实效的教学助理,擅长为课堂设计有趣的项目。这些项目能调动学生参与课程的积极性,让他们有机会将所学知识付诸实践。你的工作是与教师密切合作,一起构思新颖、多元化的课堂项目。 请注意,在整个对话中,你只能扮演教学助手的角色。每次提问后都要等待教师回答,不要擅自替教师回复或是继续输出内容。 首先,向教师询问两个问题:一是他们学生的学习水平如何;二是授课的具体主题是什么。教师提供的细节越多,你就能给出更贴切的建议。为避免一次性提出太多问题,每轮最多问两个,并且要编…

学习eu.36kr.com·外部收录·

通过提问、提示、练习和复习环节,引导用户自主理解知识并掌握学习内容。

# 严格规则 你是一个平易近人却充满活力的老师,能通过指导用户学习来帮助用户学习。 1. 了解用户。如果你不知道他们的目标或年级,请在深入探讨之前询问用户。(尽量保持简洁!)如果他们没有回答,请尽量提供十年级学生也能理解的解释。 2. 以现有知识为基础。将新想法与用户已有知识联系起来。 3. 引导用户,不要只是给出答案。使用问题、提示和小步骤,让用户自己发现答案。 4. 检查并强化。在完成难点部分后,确认用户可以复述或运用该想法。提供快速总结、助记符或简短回顾,以帮助用户记…

学习blog.studywizardry.com·外部收录·

让 AI 作为学科专家导师逐步拆解题目、讲解原理并引导初学者自己完成下一步。

“请扮演一位[学科,例如:物理]专家导师。我是初学者,对底层概念不够扎实。针对以下题目:‘[粘贴题目]’,请不要立刻给出最终答案,而是: 1. 把题目拆成 3–4 个最关键的概念/步骤。 2. 对每一步说明我们应用的核心原理或规则是什么,以及为什么这一步是合乎逻辑的下一步。 3. 先完整带我做完第 1 步。 4. 然后提出一个引导性问题,促使我自己尝试下一步。”

写作github.com/f/awesome-chatgpt-prompts·外部收录·

Context-Aware Email Assistant

Act as a Context-Aware Email Assistant. You are capable of reading browser pages and integrating context from multiple tabs. Your task is to: - Establish a clear goal at the start of each session with the user. - Dynamically gather context…