Do Repetitions Matter? Strengthening Reliability in LLM Evaluations
Fuente:
arXiv
Guardado en:
| Autores principales: | Gonzalez, Miguel Angel Alvarado, Hernandez, Michelle Bruno, Perez, Miguel Angel Peñaloza, Orozco, Bruno Lopez, Soto, Jesus Tadeo Cruz, Malagon, Sandra |
|---|---|
| Formato: | Preprint |
| Publicado: |
2025
|
| Materias: | |
| Acceso en línea: | |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
Ejemplares similares
AI4Math: A Native Spanish Benchmark for University-Level Mathematical Reasoning in Large Language Models
por: Perez, Miguel Angel Peñaloza, et al.
Publicado: (2025)
por: Perez, Miguel Angel Peñaloza, et al.
Publicado: (2025)
Repetition Neurons: How Do Language Models Produce Repetitions?
por: Hiraoka, Tatsuya, et al.
Publicado: (2024)
por: Hiraoka, Tatsuya, et al.
Publicado: (2024)
Efficient Architectures for High Resolution Vision-Language Models
por: Carvalho, Miguel, et al.
Publicado: (2025)
por: Carvalho, Miguel, et al.
Publicado: (2025)
IberBench: LLM Evaluation on Iberian Languages
por: González, José Ángel, et al.
Publicado: (2025)
por: González, José Ángel, et al.
Publicado: (2025)
Strengthened Symbol Binding Makes Large Language Models Reliable Multiple-Choice Selectors
por: Xue, Mengge, et al.
Publicado: (2024)
por: Xue, Mengge, et al.
Publicado: (2024)
Luis Enrique Sepúlveda, coleccionista de imágenes y desencanto
por: Miguel Ángel Alvarado
Publicado: (2012)
por: Miguel Ángel Alvarado
Publicado: (2012)
LECTOR: LLM-Enhanced Concept-based Test-Oriented Repetition for Adaptive Spaced Learning
por: Zhao, Jiahao
Publicado: (2025)
por: Zhao, Jiahao
Publicado: (2025)
VERT: Reliable LLM Judges for Radiology Report Evaluation
por: Bologna, Federica, et al.
Publicado: (2026)
por: Bologna, Federica, et al.
Publicado: (2026)
CropVLM: Learning to Zoom for Fine-Grained Vision-Language Perception
por: Carvalho, Miguel, et al.
Publicado: (2025)
por: Carvalho, Miguel, et al.
Publicado: (2025)
Do LLM Evaluators Prefer Themselves for a Reason?
por: Chen, Wei-Lin, et al.
Publicado: (2025)
por: Chen, Wei-Lin, et al.
Publicado: (2025)
Are Arabic Benchmarks Reliable? QIMMA's Quality-First Approach to LLM Evaluation
por: AlQadi, Leen, et al.
Publicado: (2026)
por: AlQadi, Leen, et al.
Publicado: (2026)
Inductive Bias Extraction and Matching for LLM Prompts
por: Angel, Christian M., et al.
Publicado: (2025)
por: Angel, Christian M., et al.
Publicado: (2025)
Ranking Over Scoring: Towards Reliable and Robust Automated Evaluation of LLM-Generated Medical Explanatory Arguments
por: De la Iglesia, Iker, et al.
Publicado: (2024)
por: De la Iglesia, Iker, et al.
Publicado: (2024)
Editorial La Revista Española de Salud Pública se hace amiga de los bosques
por: Miguel Ángel Soto
Publicado: (2005)
por: Miguel Ángel Soto
Publicado: (2005)
Do You Even Lift? Strengthening Compiler Security Guarantees Against Spectre Attacks
por: Fabian, Xaver, et al.
Publicado: (2024)
por: Fabian, Xaver, et al.
Publicado: (2024)
TruthEval: A Dataset to Evaluate LLM Truthfulness and Reliability
por: Khatun, Aisha, et al.
Publicado: (2024)
por: Khatun, Aisha, et al.
Publicado: (2024)
Identifying Reliable Evaluation Metrics for Scientific Text Revision
por: Jourdan, Léane, et al.
Publicado: (2025)
por: Jourdan, Léane, et al.
Publicado: (2025)
A Machine Learning-based Approach for Solving Recurrence Relations and its use in Cost Analysis of Logic Programs
por: Rustenholz, Louis, et al.
Publicado: (2024)
por: Rustenholz, Louis, et al.
Publicado: (2024)
ReliableEval: A Recipe for Stochastic LLM Evaluation via Method of Moments
por: Lior, Gili, et al.
Publicado: (2025)
por: Lior, Gili, et al.
Publicado: (2025)
Síndrome de enterocolitis inducida por proteínas de los alimentos. Reporte de caso
por: Miguel Ángel González-Cruz
Publicado: (2019)
por: Miguel Ángel González-Cruz
Publicado: (2019)
OPENPediatrics, agregando simulación virtual y juegos serios a los MOOC
por: Miguel Angel González-Cruz
Publicado: (2019)
por: Miguel Angel González-Cruz
Publicado: (2019)
Understanding In-Context Learning from Repetitions
por: Yan, Jianhao, et al.
Publicado: (2023)
por: Yan, Jianhao, et al.
Publicado: (2023)
El municipio mexicano en el tercer milenio / Miguel Angel Orozco Deza
por: Orozco Deza, Miguel Angel
por: Orozco Deza, Miguel Angel
DEEP: Docker-based Execution and Evaluation Platform
por: González, Sergio Gómez, et al.
Publicado: (2026)
por: González, Sergio Gómez, et al.
Publicado: (2026)
Towards Reliable Benchmarking: A Contamination Free, Controllable Evaluation Framework for Multi-step LLM Function Calling
por: Maekawa, Seiji, et al.
Publicado: (2025)
por: Maekawa, Seiji, et al.
Publicado: (2025)
Evaluation of Oncotimia: An LLM based system for supporting tumour boards
por: Lorenzo, Luis, et al.
Publicado: (2026)
por: Lorenzo, Luis, et al.
Publicado: (2026)
LoopLLM: Transferable Energy-Latency Attacks in LLMs via Repetitive Generation
por: Li, Xingyu, et al.
Publicado: (2025)
por: Li, Xingyu, et al.
Publicado: (2025)
AutoMonitor-Bench: Evaluating the Reliability of LLM-Based Misbehavior Monitor
por: Yang, Shu, et al.
Publicado: (2026)
por: Yang, Shu, et al.
Publicado: (2026)
The Stability Trap: Evaluating the Reliability of LLM-Based Instruction Adherence Auditing
por: Shergadwala, Murtuza N.
Publicado: (2026)
por: Shergadwala, Murtuza N.
Publicado: (2026)
A Comparison of LLM Finetuning Methods & Evaluation Metrics with Travel Chatbot Use Case
por: Meyer, Sonia, et al.
Publicado: (2024)
por: Meyer, Sonia, et al.
Publicado: (2024)
Do These LLM Benchmarks Agree? Fixing Benchmark Evaluation with BenchBench
por: Perlitz, Yotam, et al.
Publicado: (2024)
por: Perlitz, Yotam, et al.
Publicado: (2024)
An Empirical Study of LLM-as-a-Judge: How Design Choices Impact Evaluation Reliability
por: Yamauchi, Yusuke, et al.
Publicado: (2025)
por: Yamauchi, Yusuke, et al.
Publicado: (2025)
What Do Humans Hear When Interacting? Experiments on Selective Listening for Evaluating ASR of Spoken Dialogue Systems
por: Mori, Kiyotada, et al.
Publicado: (2025)
por: Mori, Kiyotada, et al.
Publicado: (2025)
Do RAG Systems Cover What Matters? Evaluating and Optimizing Responses with Sub-Question Coverage
por: Xie, Kaige, et al.
Publicado: (2024)
por: Xie, Kaige, et al.
Publicado: (2024)
Sacred or Synthetic? Evaluating LLM Reliability and Abstention for Religious Questions
por: Atif, Farah, et al.
Publicado: (2025)
por: Atif, Farah, et al.
Publicado: (2025)
Mitigating the Language Mismatch and Repetition Issues in LLM-based Machine Translation via Model Editing
por: Wang, Weichuan, et al.
Publicado: (2024)
por: Wang, Weichuan, et al.
Publicado: (2024)
Evaluation of Code LLMs on Geospatial Code Generation
por: Gramacki, Piotr, et al.
Publicado: (2024)
por: Gramacki, Piotr, et al.
Publicado: (2024)
Interpretable Coreference Resolution Evaluation Using Explicit Semantics
por: Gatti, Bruno, et al.
Publicado: (2026)
por: Gatti, Bruno, et al.
Publicado: (2026)
Rasgos de la evolución reciente de la Universidad Veracruzana
por: Miguel Angel Casillas Alvarado
Publicado: (2013)
por: Miguel Angel Casillas Alvarado
Publicado: (2013)
Razones por la transparencia en la universidad
por: Miguel Angel Casillas Alvarado
Publicado: (2007)
por: Miguel Angel Casillas Alvarado
Publicado: (2007)
Ejemplares similares
-
AI4Math: A Native Spanish Benchmark for University-Level Mathematical Reasoning in Large Language Models
por: Perez, Miguel Angel Peñaloza, et al.
Publicado: (2025) -
Repetition Neurons: How Do Language Models Produce Repetitions?
por: Hiraoka, Tatsuya, et al.
Publicado: (2024) -
Efficient Architectures for High Resolution Vision-Language Models
por: Carvalho, Miguel, et al.
Publicado: (2025) -
IberBench: LLM Evaluation on Iberian Languages
por: González, José Ángel, et al.
Publicado: (2025) -
Strengthened Symbol Binding Makes Large Language Models Reliable Multiple-Choice Selectors
por: Xue, Mengge, et al.
Publicado: (2024)