返回全部动态
Chain-of-Models：跨模型审计提升 LLM 评判者的偏差鲁棒性
原标题：Chain-of-Models: Cross-Model Auditing for Bias-Robust LLM Judges
AI 摘要
arXiv 上的一项研究提出 Chain-of-Models (CoM) 方法，通过让第二个模型审计第一个模型的推理轨迹来减少 LLM 作为评判者时的认知偏差。实验发现，审计者的身份（同模型、同族或异族）影响审计效果，且最佳审计者因偏差类型而异。研究者据此提出按偏差类型选择审计者的规则，在四个偏差数据集上达到最高准确率 0.884，优于固定审计者和无审计基线。
以上摘要由 AI 生成，可能存在误差。事实请以原文为准。
正文节选
Computer Science > Computation and Language Title:Chain-of-Models: Cross-Model Auditing for Bias-Robust LLM Judges View PDF HTML (experimental) Abstract:LLMs increasingly serve as automated judges, but their judgments remain vulnerable to cognitive biases. Existing mitigations mostly rely on prompt-driven debiasing, which is brittle across bias types, or human evaluation, which does not scale. We study \emph{Chain-of-Models} (CoM), an automated audit pipeline in which a second model
发布时间：2026-08-03 12:00
抓取时间：2026-08-03 15:26
来源机构：arXiv