LLM 판정기의 기준으로 사용되는 재사용 가능한 기준 문구

대규모 언어 모델(LLM) 판정기의 평가를 위한 기준 문구가 점점 더 중요해지고 있습니다. 하지만 이러한 기준 문구가 너무 느슨하면, 실제로 사용자가 원하는 대로 되지 않는 결과가 발생할 수 있습니다. PReMISE는 이러한 문제를 해결하기 위한 새로운 프레임워크입니다.

2026년 6월 1일 AI 자동 생성

#arXiv

대규모 언어 모델 판정기의 기준

대규모 언어 모델 판정기는 최근에 공개된 응답을 평가하는 데 점점 더 많이 사용되고 있습니다. 그러나 이러한 판정기의 점수는 조건을 주는 기준에 크게 의존합니다. 모호한 기준은 사실을 왜곡하거나 사용자의 의도를 위반하는 답변을할 수 있습니다. 이러한 문제를 해결하기 위해, 기준을 측정 규격으로 간주하여, 기준을 변경하면 고정된 판정기가 유도하는 응답 품질 측정도 변경됩니다.

이러한 문제를 해결하기 위해, PReMISE라는 프레임워크를 소개합니다. 이 프레임워크는, 쌍별 인간 선호 데이터가 주어졌을 때, (i) 정책 수준의 기준 집합을 발견하고, (ii) 판정기 사용 기준 집합을 네 가지 축에 따라 감시합니다. 이러한 축에는 구조적 적절성, 신뢰성, 선호도 적합성, 및 적대적 강건성이 포함됩니다.

PReMISE의 성능

PReMISE는 적용 가능성, 특이성, 및 효과적 차원에 비중적인 점수를 획득하는 유일한 기준 원천입니다. 또한, 선호도 순위 선택 및 신뢰성 제한 세련과 같은 두 가지 감사 대상 수리 작업을 기여합니다. 선호도 순위 선택은 판정기의 정확도를 쌍별 응답에서 65.0%에서 68.6%로시킵니다. 이는 가장 강한 기준 발견 기준선과 경쟁적이며, 우리의 판정기 횡단에서 세 가지 판정기 중 두 가지에서 선두를 유지합니다. 신뢰성 제한 세련은 높은 점수를받는 것으로 악용 응답의 비율을 46.4%에서 36.0%로 줄입니다. 이는 판정기 간의 일치 가 거의 변경되지 않은 채로 이루어집니다.

이러한 성능은 PReMISE가 대규모 언어 모델 판정기의 기준으로 사용될 때 유용할 수 있음을 시사합니다. 이는 응답의 품질을 평가하는 데 정확하고 신뢰성 있는 기준을 제공할 수 있습니다.

원문 보기 arXiv AI

함께 읽으면 좋은 기사

AI 모델 1일 전

Anthropic의 연간 매출액 6,500억 달러로 급증

모델 제작자(MODEL MAKER)는 2개월 만에 연간 $18 억 달러의 매출을 추가했다.

AI 모델 1일 전

아마존이 책을 처음으로 판매하기 시작한 이후로 귀중한 책을 파괴하여 AI를 교육하고 있습니다.

진귀한 책들은 대규모 언어 모델(LLM) 교육에 매우 가치가 높다. 왜냐하면 이 모델들은 이미 온라인에서 접근할 수 있는 모든 것을 통해 교육을 받았기 때문이다.

AI 모델 4일 전

구글 지니미(Google Gemini)의 보이는 워터마크를 끄는 방법이 나왔다!

구글은 이제 지니미와 플로(Google's AI video generator, Flow)에서 AI工具을 이용해 만든 미디어에 보이는 워터마크를 제거할 수 있는 기능을 제공합니다. 이 업데이트로, 사용자는 지니미와 플로의 새로운 '미디어 워터마크' 설정을 끌 수 있습니다. 워터마크가 끄면, 지니미에서 생성된 이미지, 비디오, 음악에 나타나는 '스파클(sparkle)' 워터마크가 사라집니다.

AI 모델 4일 전

애플, 중국 위해 알리바바와 함께 자체 AI 모델을 교육

애플은 중국 시장에 맞는 맞춤형 AI 모델을 중국 기술巨인 알리바바와 함께 개발하고 훈련했다고 보고되었다. 이는 베이징과 워싱턴 간 커져가는 긴장감을 무시하고 중국과 미국 사이에 드문 획기적인 협력이다. 알리바바의 지원을 받으며 개발된 중국을 대상으로 한 대규모 언어 모델(LLM) 훈련은 알리바바와 함께 개발되었으며, 리트저스는 훈련에 대한 지원을 받았다고 세 명의 익명한 사람들의 진술에 근

AI 모델 5일 전

대량 언어 모델(LLM) 개인화에 대한 대응: Meta-LoRA를 이용한 다원 도메인 선호도 학습

대규모 언어 모델(LLM)의 개인화를 위한 다원 도메인 선호도 학습은 새로운 대화 도메인에서 사용자 선호도에 맞는 응답을 생성하는 것을 목표로 합니다. 하지만 기존의 적응 방법은 적은 수의 대상 도메인 상호 작용만으로 업데이트한 크기를 조정하기 어려워 오버피팅을 일으키며, 역전파 방법은 사용자 선호도를 소스 도메인 오류와 혼동하여 불신할 수 있는 개인화 전제 조건과 부정적인 전이를 일으킵니다. 이러한 문제를 해결하기 위해, 우리는 PAC-Bayes-정규화된 Meta-LoRA를 제안하여, 업데이트한 크기를 증거의 질에 맞게 조정하고, 오버피팅을 최소화하며, 증거가 증가할 때 강한 개인화를 허용합니다.