Resolution Diagnostics for Paired LLM Evaluation
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Kotawala, Anany |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents
par: Kotawala, Anany
Publié: (2026)
par: Kotawala, Anany
Publié: (2026)
GENSTRAT: Toward a Science of Strategic Reasoning in Large Language Models
par: Shadarevian, Vartan, et autres
Publié: (2026)
par: Shadarevian, Vartan, et autres
Publié: (2026)
FairPair: A Robust Evaluation of Biases in Language Models through Paired Perturbations
par: Dwivedi-Yu, Jane, et autres
Publié: (2024)
par: Dwivedi-Yu, Jane, et autres
Publié: (2024)
An Explainable Diagnostic Framework for Neurodegenerative Dementias via Reinforcement-Optimized LLM Reasoning
par: Zamai, Andrew, et autres
Publié: (2025)
par: Zamai, Andrew, et autres
Publié: (2025)
Evaluating Machine Translation Models for English-Hindi Language Pairs: A Comparative Analysis
par: Shetty, Ahan Prasannakumar
Publié: (2025)
par: Shetty, Ahan Prasannakumar
Publié: (2025)
Simulated Adoption: Decoupling Magnitude and Direction in LLM In-Context Conflict Resolution
par: Zhang, Long, et autres
Publié: (2026)
par: Zhang, Long, et autres
Publié: (2026)
Evaluating Memory Structure in LLM Agents
par: Shutova, Alina, et autres
Publié: (2026)
par: Shutova, Alina, et autres
Publié: (2026)
LUME: LLM Unlearning with Multitask Evaluations
par: Ramakrishna, Anil, et autres
Publié: (2025)
par: Ramakrishna, Anil, et autres
Publié: (2025)
Evaluating Judges as Evaluators: The JETTS Benchmark of LLM-as-Judges as Test-Time Scaling Evaluators
par: Zhou, Yilun, et autres
Publié: (2025)
par: Zhou, Yilun, et autres
Publié: (2025)
A New Pair of GloVes
par: Carlson, Riley, et autres
Publié: (2025)
par: Carlson, Riley, et autres
Publié: (2025)
Pair2Score: Pairwise-to-Absolute Transfer for LLM-Based Essay Scoring
par: Hallaç, İbrahim Rıza, et autres
Publié: (2026)
par: Hallaç, İbrahim Rıza, et autres
Publié: (2026)
SP^2DPO: An LLM-assisted Semantic Per-Pair DPO Generalization
par: He, Chaoyue, et autres
Publié: (2026)
par: He, Chaoyue, et autres
Publié: (2026)
Topic Identification in LLM Input-Output Pairs through the Lens of Information Bottleneck
par: Halperin, Igor
Publié: (2025)
par: Halperin, Igor
Publié: (2025)
Accelerating Unbiased LLM Evaluation via Synthetic Feedback
par: Zhou, Zhaoyi, et autres
Publié: (2025)
par: Zhou, Zhaoyi, et autres
Publié: (2025)
Explaining Length Bias in LLM-Based Preference Evaluations
par: Hu, Zhengyu, et autres
Publié: (2024)
par: Hu, Zhengyu, et autres
Publié: (2024)
Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data?
par: Wang, Shaobo, et autres
Publié: (2025)
par: Wang, Shaobo, et autres
Publié: (2025)
EffiPair: Improving the Efficiency of LLM-generated Code with Relative Contrastive Feedback
par: Hajizadeh, Samira, et autres
Publié: (2026)
par: Hajizadeh, Samira, et autres
Publié: (2026)
Flying Pigs, FaR and Beyond: Evaluating LLM Reasoning in Counterfactual Worlds
par: Joishy, Anish R, et autres
Publié: (2025)
par: Joishy, Anish R, et autres
Publié: (2025)
Who's Asking? Evaluating LLM Robustness to Inquiry Personas in Factual Question Answering
par: Akpinar, Nil-Jana, et autres
Publié: (2025)
par: Akpinar, Nil-Jana, et autres
Publié: (2025)
On Evaluating LLM Alignment by Evaluating LLMs as Judges
par: Liu, Yixin, et autres
Publié: (2025)
par: Liu, Yixin, et autres
Publié: (2025)
How to Evaluate Entity Resolution Systems: An Entity-Centric Framework with Application to Inventor Name Disambiguation
par: Binette, Olivier, et autres
Publié: (2024)
par: Binette, Olivier, et autres
Publié: (2024)
Does Unlearning Truly Unlearn? A Black Box Evaluation of LLM Unlearning Methods
par: Doshi, Jai, et autres
Publié: (2024)
par: Doshi, Jai, et autres
Publié: (2024)
Evaluating LLM Story Generation through Large-scale Network Analysis of Social Structures
par: Nonaka, Hiroshi, et autres
Publié: (2025)
par: Nonaka, Hiroshi, et autres
Publié: (2025)
Low-resource Machine Translation for Code-switched Kazakh-Russian Language Pair
par: Borisov, Maksim, et autres
Publié: (2025)
par: Borisov, Maksim, et autres
Publié: (2025)
How to Correctly Report LLM-as-a-Judge Evaluations
par: Lee, Chungpa, et autres
Publié: (2025)
par: Lee, Chungpa, et autres
Publié: (2025)
NoteContrast: Contrastive Language-Diagnostic Pretraining for Medical Text
par: Kailas, Prajwal, et autres
Publié: (2024)
par: Kailas, Prajwal, et autres
Publié: (2024)
Mining Hidden Thoughts from Texts: Evaluating Continual Pretraining with Synthetic Data for LLM Reasoning
par: Ishibashi, Yoichi, et autres
Publié: (2025)
par: Ishibashi, Yoichi, et autres
Publié: (2025)
SWE-Adept: An LLM-Based Agentic Framework for Deep Codebase Analysis and Structured Issue Resolution
par: He, Kang, et autres
Publié: (2026)
par: He, Kang, et autres
Publié: (2026)
Paired by the Teacher: Turning Unpaired Data into High-Fidelity Pairs for Low-Resource Text Generation
par: Lu, Yen-Ju, et autres
Publié: (2025)
par: Lu, Yen-Ju, et autres
Publié: (2025)
Enhancing LLM Evaluations: The Garbling Trick
par: Bradley, William F.
Publié: (2024)
par: Bradley, William F.
Publié: (2024)
Survey on Evaluation of LLM-based Agents
par: Yehudai, Asaf, et autres
Publié: (2025)
par: Yehudai, Asaf, et autres
Publié: (2025)
Triplets Better Than Pairs: Towards Stable and Effective Self-Play Fine-Tuning for LLMs
par: Wang, Yibo, et autres
Publié: (2026)
par: Wang, Yibo, et autres
Publié: (2026)
From Token to Token Pair: Efficient Prompt Compression for Large Language Models in Clinical Prediction
par: Zhu, Mingcheng, et autres
Publié: (2026)
par: Zhu, Mingcheng, et autres
Publié: (2026)
BioCoref: Benchmarking Biomedical Coreference Resolution with LLMs
par: Salem, Nourah M, et autres
Publié: (2025)
par: Salem, Nourah M, et autres
Publié: (2025)
LLM Unlearning with LLM Beliefs
par: Li, Kemou, et autres
Publié: (2025)
par: Li, Kemou, et autres
Publié: (2025)
Are LLM Evaluators Really Narcissists? Sanity Checking Self-Preference Evaluations
par: Roytburg, Dani, et autres
Publié: (2026)
par: Roytburg, Dani, et autres
Publié: (2026)
Evaluating the Relevance of Uncertainty Estimators for LLM Hallucination
par: Agnimo, Yedidia, et autres
Publié: (2026)
par: Agnimo, Yedidia, et autres
Publié: (2026)
Towards Multilingual LLM Evaluation for European Languages
par: Thellmann, Klaudia, et autres
Publié: (2024)
par: Thellmann, Klaudia, et autres
Publié: (2024)
Code Comprehension then Auditing for Unsupervised LLM Evaluation
par: Patel, Bhrij, et autres
Publié: (2024)
par: Patel, Bhrij, et autres
Publié: (2024)
Language Models over Canonical Byte-Pair Encodings
par: Vieira, Tim, et autres
Publié: (2025)
par: Vieira, Tim, et autres
Publié: (2025)
Documents similaires
-
Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents
par: Kotawala, Anany
Publié: (2026) -
GENSTRAT: Toward a Science of Strategic Reasoning in Large Language Models
par: Shadarevian, Vartan, et autres
Publié: (2026) -
FairPair: A Robust Evaluation of Biases in Language Models through Paired Perturbations
par: Dwivedi-Yu, Jane, et autres
Publié: (2024) -
An Explainable Diagnostic Framework for Neurodegenerative Dementias via Reinforcement-Optimized LLM Reasoning
par: Zamai, Andrew, et autres
Publié: (2025) -
Evaluating Machine Translation Models for English-Hindi Language Pairs: A Comparative Analysis
par: Shetty, Ahan Prasannakumar
Publié: (2025)