ACL 2025 | 高效样本利用的大模型人类评估方法

论文题目：Sample-Efficient Human Evaluation of Large Language Models via Maximum Discrepancy Competition

本文作者：冯科华（浙江大学）、丁科炎（浙江大学）、马柯德（香港城市大学）、王志华（香港城市大学）、张强（浙江大学）、陈华钧（浙江大学）

发表会议：ACL 2025

论文链接：https://arxiv.org/pdf/2404.08008

代码链接：https://github.com/weiji-Feng/MAD-Eval

欢迎转载，转载请注明出处****

一、引言

随着大型语言模型(LLMs)的快速发展，对它们进行可靠评估面临两大挑战：客观指标往往无法准确反映人类对自然语言的感知，而全面的人工标注又成本过高。针对这一问题，本文提出了一种基于最大差异竞争(Maximum Discrepancy Competition, MAD)的样本高效人工评估方法。

该方法自动从大规模指令集合中选择一小组的输入指令，以最大化LLM响应之间的语义差异，然后由人类评估者进行三选一强制选择比较，并通过Elo评分系统将结果整合为全局排名。我们在科学知识理解、数学推理、创意写作和代码生成四个核心任务上对八种广泛使用的LLM进行了评估，实验结果表明，该方法能够通过少量MAD选择的指令恢复"黄金标准"模型排名，揭示各LLM的优缺点，并为未来LLM发展提供有价值的见解。 二、方法

设 表示一个收集自各种实用自然语言处理任务的大型未标记（即没有准确答案）的指令池。我们希望比较 个竞争的LLM，表示为 ，其中每个模型 对任意输入 产生输出 。人类评估者在环境 中能够可靠地判断同一输入的两个响应的相对质量。在严格限制人类标注数量的条件下，我们的目标是基于少量精心选择的比较，产生 中LLM的明确全局排名。

1. 最大差异竞争原理

首先考虑比较两个LLM 和 的简单情况。根据最大差异(MAD)竞争原理，我们寻找指令： 其中 表示量化两个响应语义差异的距离度量。对 与 的比较分析可产生三种结果：

• ：大多数人类评估者偏好 ，使其成为明显赢家。所选 成为 的反例，对排名两模型的相对性能具有高度信息价值。

• ：相反， 占优，表明评估者明显偏好 。 作为 的反例，最大程度区分两个模型。

• ：评估者给两个响应相似评分，形成平局。平局分两种：

• 高评分平局：两个响应都获得高评价，表明每个模型能生成多样且令人满意的回答。

• 低评分平局：两个输出都得分较低，表明每个模型以不同方式失败。

仅选择响应相似度最低的 个指令可能产生狭窄的失败案例集。为鼓励更广泛探索模型行为，我们添加多样性项：选择第 个指令时，求解： 其中 是先前选择的指令集， 测量 与 任意元素的最大差异， 平衡差异与多样性。 对所有 对模型重复此程序并每对保留 个指令，我们构建MAD响应集： 其大小仅随 增长，与 无关。

2. 通过Elo评分实现全局排名

对于每个选定指令及其配对输出，人类评估者执行三选一强制选择任务，结果记为： 第t次比较的Elo分数更新： 其中η和τ为缩放参数。我们采用bootstrap技术以减轻线性更新方法对比较顺序的敏感性。 纳入新LLM：将新LLM(即)纳入MAD竞争非常简单且成本效益高。无需修改现有采样指令集和MAD响应集。只需采样新的条指令以最大化与现有模型集的差异，收集人类偏好，并使用Elo公式更新全局排名。 三、实验分析

1. 实验设置

指令池构建：构建了跨多场景的大规模指令集，通过：(1) 确定评估场景，(2) 收集基准数据集中的指令种子，(3) 使用指令演化方法生成模拟真实人机交互的指令。评估四个能力层次：科学知识理解、数学推理、创意写作和代码生成。每个场景采样3K指令种子，经10次演化，最终获得每场景30K指令。 用于排名的LLM选择：选择了8个广泛认可的LLM，包括3个专有模型(GPT-3.5-Turbo、GPT-4-Turbo、Gemini-Pro)和5个开源模型(WizardLM-13B、Vicuna-13B、OpenChat-3.5、Qwen-14B-Chat、ChatGLM3-6B)。 相似度度量选择：采用计算嵌入向量余弦相似度的方法，使用OpenAI的text-embedding-ada-002模型。 人类偏好收集：使用三选一强制选择方法(即胜、负、平)，参与者选择质量更优的回应。我们为每对比较的LLM选择10个差异最大化指令，总共280次（）次比较，由13名STEM背景研究生评估。

2. 主要实验结论

**2.1. 总体排名

我们在表1中提供了总体和各场景的排名结果，揭示了几个有趣现象。

科学知识理解方面，专有LLM（GPT-4-Turbo、GPT-3.5-Turbo和Gemini-Pro）因精确全面的科学知识理解通常优于开源LLM。有趣的是，仅有70亿参数的OpenChat-3.5提供细致解释同时包含核心知识，获得多数人类评估者青睐，最终排名高于回应相对简洁的专有模型GPT-3.5-Turbo。其他开源模型如Vicuna-13B虽提供更长回应，但倾向于冗余解释。 数学推理方面，我们的排名结果与GSM8K数据集排行榜高度一致。通过分析MAD competition选出的response对，我们观察到两类差异：1) 不同的推理路径和 2) 相似推理思路中包含不同计算结果。WizardLM-13B表现相对较差，可能因其训练数据来自未针对数学推理优化的指令集。 创意写作方面，MAD竞争选出的大多数指令是无约束、开放式的自由写作提示。人类评估者更倾向于回应更长、细节更丰富的LLM。例如，ChatGLM3-6B平均生成221.2个词，而GPT-4-Turbo平均生成454.8个词。 代码生成与解释方面，人类评估者不仅评估代码正确性，还评估遵循指令能力(如行数限制、指定Python库使用等)。LLM在代码生成任务上比代码解释表现出更大差异。结果与HumanEval等代码基准一致，如GPT-4-Turbo(76.83)、GPT-3.5-Turbo(74.39)和Gemini Pro(59.76)在HumanEval上准确率高，也获得人类评估者最高偏好。

**2.2 与现有高效采样框架比较

我们将MAD竞争采样算法与五种基线进行比较：1) DiffUse采样框架，2) Anchor Points方法，3) KL散度，4) 基于交叉熵的采样算法，以及5) 随机采样。结果如表3所示。 由于KL散度和交叉熵依赖于令牌对数概率，它们不适用于某些基于API的模型（如Gemini-Pro）。因此，我们在推理场景中评估了七个兼容所有采样方法的LLM。我们的指令池源自GSM8K数据集，指导人类标注者将推理准确性作为关键评估标准。GSM8K测试集上的模型准确率作为"黄金"排名。 值得注意的是，MAD竞争策略仅使用K=10个选定样本就能近似黄金排名，相比原始测试集的8K样本。而其他基线策略的排名显示不一致性。例如，KL散度将GPT-4-Turbo排在前列之后，而交叉熵将ChatGLM3-6B排在GPT-4-Turbo和GPT-3.5-Turbo之前。 我们还定性分析了四种策略在指令选择上的差异。结果表明，KL散度策略选择的指令几乎都与诗歌相关（10个中有9个），交叉熵策略偏好写论文和故事等任务，随机策略经常引入重叠的任务类型。而MAD竞争策略优先考虑指令多样性，最大限度减少所选指令中重复任务类型的出现，有助于在更广泛的任务中暴露LLM的缺陷。

**2.3 与现有排行榜比较

我们将总体排名结果与三种现有LLM排行榜进行比较：(1)基于人类评估的Chatbot Arena，(2)基于LLM评判的AlpacaEval-2.0，(3)基于标准指标的CompassRank。表2展示了各排行榜上LLM的相对排名。 Chatbot Arena作为一种劳动密集型众包方法，收集了跨多场景的大量人类偏好标注，并使用Elo评分系统对LLM进行排名，可视为人类评估方法的"黄金"标准。我们的排名结果与Chatbot Arena非常相似，仅Vicuna-13B的排名因场景数据比例不同而略有差异。值得注意的是，Chatbot Arena依赖大规模LLM对战和众多人类标注，而我们的方法自动选择少量信息丰富的样本进行人类标注，节省了时间和精力。

3. 消融研究 **相似度测量方法的敏感性。**我们首先研究结果对不同语义相似度测量方法的敏感性。除了使用的text-embedding-ada-002外，我们还采用了BERTScore和LLM作为评判的方法。以写作场景为例，这三种度量方法得出的全局排名几乎一致(见表4)。这归因于MAD竞争选择能有效区分两个模型最大差异的指令，所有三种指标都能很好地近似这一点。

**采样指令数量的稳健性。**我们研究排名结果对人工判断的采样指令数量的稳健性。图2显示了默认top-10排名与其他top-排名之间的斯皮尔曼秩相关系数(SRCC)。所有场景的排名结果都表现出高度稳定性(时SRCC>0.95，时SRCC=1)，证明了该方法的样本效率。虽然较大的值提高可靠性，但也增加成本。为平衡可靠性和效率，我们将默认设为10。值得一提的是，值可以灵活调整，并可能因竞争的LLM对而异。如果两个LLM性能相近，我们可以增加进行更多比较；如果性能差异显著，我们可以减少(甚至设为零)以最小化人力成本。这类似于Chatbot Arena中两个LLM之间的对战次数不固定。 **指令多样性度量的重要性。**我们还探讨了方程2中指令多样性度量的重要性()。下表展示了考虑多样性前后，MAD竞争在写作场景中选择的前10条指令。不考虑多样性时，四条指令与诗歌相关，导致场景和任务选择相对同质。考虑多样性后，每条指令几乎代表独特的任务和场景。我们认为场景多样性有利于探索更多类型的模型失败，从而提供更具指导意义的评估见解。

我们测试了。时，指令显示主题重叠和类似失败，限制了全面评估。时，主题多样性增加，但响应差异减少，增加了"平局"，违反MAD原则。因此，选择以平衡多样性和差异化。 四、总结

本论文提出了一种样本高效的人工评估方法，通过最大差异竞争方法对大型语言模型(LLM)进行排名。我们强调，我们的方法不是手动策划带有人工标注的固定测试集，而是自动采样一小组信息丰富的指令来区分LLM的性能，从而显著减少人力劳动。此外，通过MAD竞争收集的反例数据不仅是评估前沿LLM的手段，还有助于训练更加健壮的模型（例如对抗训练）。同时，所提出的方法可以扩展到多模态LLM，其输入包括图像、音频和视频等多种类型的数据。在这种扩展中，我们需要在构建指令池时考虑其他模态，而不需要对其他程序进行重大修改。未来，我们将增加LLM的数量并通过纳入更多场景扩大评估范围，最终创建一个向公众开放的综合排行榜。