Llm评判器可靠性

研究人员用99美元成本验证MUD游戏评估大型语言模型的可行性

研究人员发表论文探索利用MUD（文本冒险游戏）来评估大型语言模型，总耗资仅99美元。研究对四个行为维度进行评分，其中两个依赖LLM分类器。