最新综述：LLM作为法官，用AI评判AI

让AI来评判AI，即利用大语言模型(LLM)作为评判者，已经成为近半年的Prompt热点领域。这个方向不仅代表了AI评估领域的重要突破，更为正在开发AI产品的工程师们提供了一个全新的思路。

来自国际数字经济学院、中国科学院计算技术研究所、伦敦帝国理工学院、中国人民大学高瓴人工智能学院的研究者近期发布了一篇关于LLM-as-a-Judge的综述，引用146篇论文从应用现状、评估方法到核心提升策略做了非常全面的研究。

研究者用康德的《判断力批判》和《纯粹理性批判》开篇，它阐述了判断力（Judgment）在认识过程中的功能以及判断力的本质和作用。我解释一下康德这段话的意思。康德首先定义了判断，他认为判断力是在具体经验中应用普遍规则的能力，它是认识过程中的一个核心部分。通过判断力，我们不仅能感知和理解具体事物，还能将这些事物纳入到普遍的知识体系或规律之中。这是人类思维和理解世界的一种基本能力。

判断是将具体事物看作是普遍规律下的一部分的能力。它涉及将事物归纳到规则中的能力，即区分某物是否符合某一规则。

—— 康德，《判断力批判》；《纯粹理性批判》

一、为什么我们需要LLM作为评判者？

在传统的AI系统评估中，人工评判一直被视为黄金标准。专业评估人员凭借其丰富的经验和专业知识，能够对AI系统的输出进行全面而深入的评价。然而，随着各种LLM不断升级，AI技术的快速发展和广泛应用，这种评估方式正面临着前所未有的挑战。

首先是规模化问题。以机器翻译为例，一个商用翻译系统每天可能需要处理数百万条文本。如果依靠人工评估，即便组建一个庞大的评估团队，也难以应对如此海量的评估需求。更重要的是，随着评估规模的扩大，人力成本会呈指数级增长，这对许多企业来说都是难以承受的负担。

第二是一致性难题。不同评估者之间往往存在认知差异和主观偏好。比如在评估AI生成的文章时，有的评估者可能更注重内容的准确性，有的则更看重表达的流畅性。这种差异导致评估结果缺乏统一标准，难以进行横向比较。而且，即使是同一个评估者，在不同时间对同一内容的评判也可能产生波动，这进一步加剧了评估的不确定性。

第三个挑战是专业性要求。随着AI应用领域的不断拓展，评估工作越来越需要跨学科知识。以医疗AI为例，评估者不仅要懂AI技术，还要具备专业的医学知识。这种复合型人才极其稀缺，严重制约了AI系统的评估和优化。

正是在这样的背景下，研究者们开始探索让LLM承担评判角色的可能性。这种方法具有多个独特优势：首先，LLM具有强大的知识储备和理解能力，可以胜任多领域的评估工作；再者，LLM可以24小时不间断工作，轻松应对大规模评估需求；最重要的是，同一个LLM在相同的输入下会产生近似一致的稳定输出，这就从根本上解决了评估标准不统一的问题。

二、评估方法的演进：从简单打分到多维度评价

在LLM评判领域的发展历程中，评估方法经历了从简单到复杂、从单一到多元的演进过程。目前，主流的评估方法大致可以分为四类：评分生成、是非判断、配对比较和多项选择。这些方法各有特色，适用于不同的评估场景。

1. 评分生成：定量评估的基石

评分生成是最直观也是应用最广泛的评估方法。这种方法的核心思想是将评估对象的质量量化为具体的分数，使评估结果更加客观和可比较。根据近期的研究发现，评分方式的选择会显著影响评估的效果。

在离散评分领域，研究者们进行了大量实验来确定最优的分值范围。例如，JudgeLM团队的研究表明，1-5分制在大多数场景下能取得最好的效果。这是因为这个范围既能提供足够的区分度，又不会让评估变得过于复杂。而在某些需要更精细区分的场景，如学术论文评审，1-10分制则表现更好。

连续评分则提供了更大的灵活性。以LLaVA-Critic为例，它采用0-100的评分范围，这使得评估结果能更细致地反映质量差异。不过研究也发现，过于精细的分值可能会增加评估的不确定性。因此，在实际应用中往往会将分数归一化到0-1区间，以平衡精确度和可靠性。

特别值得一提的是Likert量表评分法，这是一种多维度评估方法的代表。G-Eval系统就采用了这种方法，从准确性、连贯性、流畅性等多个维度对AI输出进行评分。每个维度使用1-5分的量表，最后通过加权平均得出总分。这种方法不仅能给出整体评价，还能帮助开发者识别具体需要改进的方面。

在具体实践中，评分方法的选择需要考虑多个因素。首先是评估目的：如果是为了快速筛选，简单的高中低三档评分就够用了；如果是为了深入分析和改进，则需要更细致的评分体系。其次是评估对象的特性：对于创意写作这样的主观任务，多维度评分更合适；而对于数学解答这样的客观任务，单一维度的评分可能就足够了。

实践表明，评分生成方法在以下几个方面具有独特优势：

1. 量化比较：数值化的评分使得不同系统之间的比较变得简单直接

2. 趋势分析：连续的评分数据便于进行统计分析，发现改进趋势

3. 反馈明确：具体的分数能为系统优化提供清晰的方向指导

当然，这种方法也存在一些局限。最主要的是，单一的分数可能无法完整反映评估对象的所有特点。此外，不同场景下相同分数的含义可能不同，这就要求在实际应用中建立清晰的评分标准和细则。以下是研究者给出的prompt 模板

2. 是非判断：明确的对错评估

是非判断是评估方法中的一种特殊形式，它要求评估者对评估对象的正确性进行明确的判断。这种方法主要适用于需要明确判断的场景，如知识准确性验证、法律文书审查等。

在实际应用中，是非判断方法可以通过多种方式实现。例如，Reflexion框架通过生成自我反思来提供反馈；知识准确性验证则通过对比已知事实来评估陈述的正确性。这种方法的优点在于能够提供明确的对错判断，有助于快速筛选和优化。

然而，是非判断方法也有一些局限。首先，它可能无法适用于主观任务的评估，因为这些任务往往没有明确的对错标准。其次，即使在客观任务中，也可能存在模棱两可的情况，难以进行明确的判断。以下是研究者给出的prompt 模板：

3. 配对比较：相对评估的利器

配对比较是一种相对评估的方法，它要求评估者从两个或多个选项中选择更好的一个。这种方法主要适用于需要比较不同选项的场景，如产品推荐、文本生成等。

在实际应用中，配对比较方法可以通过多种方式实现。例如，双选项评估要求评估者从两个选项中选择更好的一个；三选项评估则增加了一个平局选项，允许评估者表示两个选项相同。这种方法的优点在于能够提供相对的评估结果，有助于快速比较和优化。

然而，配对比较方法也有一些局限。首先，它可能无法适用于需要绝对评估的场景，因为这种方法只能提供相对的比较结果。其次，即使在相对评估的场景中，也可能存在难以比较的情况，难以进行有效的评估。以下是研究者给出的prompt 模板：

4. 多项选择：复杂评估的解决方案

多项选择是一种复杂评估的方法，它要求评估者从多个选项中选择最好的一个。这种方法主要适用于需要从多个选项中进行选择的复杂评估场景，如用户体验分析、产品设计等。

在实际应用中，多项选择方法可以通过多种方式实现。例如，评估者可以被要求从多个选项中选择最好的一个；也可以被要求对多个选项进行排序。这种方法的优点在于能够提供复杂的评估结果，有助于深入分析和优化。

然而，多项选择方法也有一些局限。首先，它可能无法适用于需要快速评估的场景，因为这种方法需要评估者进行复杂的比较和选择。其次，即使在复杂评估的场景中，也可能存在难以选择的情况，难以进行有效的评估。以下是研究者给出的prompt 模板：

三、模型选择策略

在LLM评判领域，模型选择是至关重要的。不同的模型具有不同的特点和优势，选择合适的模型可以显著影响评估的效果。

1. 通用大模型

通用大模型是LLM评判领域的一种重要选择。这种模型具有强大的知识储备和理解能力，可以胜任多领域的评估工作。GPT-4就是一种典型的通用大模型，它在多个研究中显示出与专业人类评估者相当的表现。

然而，通用大模型也有一些局限。首先，它可能无法适用于需要专业知识的评估场景，因为这种模型虽然具有强大的知识储备，但可能无法理解专业领域的术语和概念。其次，即使在通用评估的场景中，也可能存在难以评估的情况，难以进行有效的评估。

2. 微调模型

主流方案：

• PandaLM：基于LLaMA-7B微调的专门评估模型

• JudgeLM：基于Vicuna微调的可扩展评估模型

• Auto-J：针对多场景构建评估数据的生成式评估模型

• Prometheus：基于GPT-4构建的细粒度评估模型

微调过程的三个关键步骤：

1. 数据收集：指令、评估对象、评估结果

2. 提示词设计：根据评估方案设计模板

3. 模型微调：使用收集的数据进行训练

四、提升评估可靠性的核心策略

在LLM评判领域，提升评估可靠性是至关重要的。评估可靠性直接影响评估的有效性和可信度。以下是一些提升评估可靠性的核心策略：

1. 提示工程优化

• 结构化模板：明确定义评估维度

• 示例引导：提供高质量的few-shot案例

• 输出约束：采用统一的格式规范

2. 评估流程优化

评估流程优化是提升评估可靠性的一个重要策略。通过优化评估流程，可以显著提高评估的效率和可靠性。以下是几个关键的评估流程优化方案：

a) 多轮评估机制

• 初始评估：由基础模型进行第一轮评分

• 交叉验证：使用不同模型对同一对象进行评估

• 一致性检查：分析不同轮次评估结果的差异

• 最终综合：根据多轮评估结果生成最终评分

b) 评估标准细化

• 维度分解：将复杂评估任务分解为多个具体维度

• 量化指标：为每个维度设定可量化的评分标准

• 权重分配：根据维度重要性分配不同权重

• 综合计算：通过加权平均等方式得出最终评分

c) 质量控制机制

• 随机抽检：定期抽查评估结果进行人工验证

• 异常检测：建立评分偏差检测机制

• 校准反馈：根据验证结果动态调整评估参数

• 版本控制：记录评估模型和标准的迭代历史

d) 评估结果验证

• 人机对比：与人类专家评估结果进行对比

• 统计分析：使用统计方法分析评估结果的分布

• 一致性测试：检验不同评估者之间的评分一致性

• 时间稳定性：追踪评估结果随时间的变化趋势

通过以上这些优化策略的综合应用，可以构建一个更加可靠和高效的LLM评估体系。这不仅能提高评估结果的准确性，也能为评估过程提供更好的可解释性和可追溯性。

3. 偏见控制

偏见控制是提升评估可靠性的一个重要策略。通过控制偏见，可以显著提高评估的公平性和可靠性。例如，通过使用随机化输入顺序，可以控制位置偏见。

五、LLM评判Agent系统应用

在Agent系统评估领域，LLM作为评判者有两种主要应用方式：一是对Agent的整体过程进行评估，二是在Agent框架的特定阶段进行评估。这两种方式各有特点和应用场景。

1. Agent整体评估方法

a) Agent-as-Judge模式

• 设计完整的Agent系统作为评估者

• 通过Agent的认知和决策能力进行全面评估

• 减少人工参与，提高评估效率

• 消除thoroughness（全面性）和effort（工作量）之间的权衡

b) 评估维度设计

• 任务完成质量评估

• 决策过程合理性分析

• 资源使用效率评估

• 交互质量评价

2. 阶段性评估机制

a) 关键阶段评估

• 规划阶段：评估决策制定的合理性

• 执行阶段：监控行为执行的准确性

• 反馈阶段：分析结果与目标的匹配度

b) 交互式评估流程

• 通过语言与环境进行交互

• 基于LLM反馈进行决策调整

• 实时评估和优化执行策略

3. 评估框架组成

a) 核心组件

• Actor LM：执行具体任务的语言模型

• Self-reflection LM：自我反思和评估组件

• LLM Evaluator：专门的评估模型

• Environment：交互环境

b) 关键功能

• Planning：任务规划和决策

• Memory：经验和知识存储

• Graph：知识图谱构建

• Search/Retrieve：信息检索能力

4. 实践应用策略

a) 评估数据收集

• Trajectory：记录完整的行为轨迹

• Experience：积累交互经验

• Feedback：收集评估反馈

b) 优化方向

• 评估标准的动态调整

• 评估结果的可解释性

• 评估效率的持续提升

• 人机协同评估机制

通过这种结构化的评估体系，我们可以全面且高效地评估Agent系统的性能。这不仅帮助我们更好地理解和改进Agent系统，也为Agent技术的发展提供了重要的质量保证机制。

六、提升策略

在直接使用LLM进行评分、选择、配对比较或排名等评估任务时，LLM固有的偏见（如长度偏见、位置偏见和具体性偏见等）会导致评估结果欠佳。为了解决这些问题并提升整体评估性能，研究者建议可以从以下三个方面着手改进。

1. 评估提示词设计策略

a) 优化LLM对评估任务的理解

1. Few-shot提示示例

• 在提示词中加入高质量评估样例

• 典型应用：FActScore、SALAD-Bench、GPTScore等

• 帮助模型更好地把握评估目标和标准

2. 评估步骤分解

• 将整体评估任务分解为小步骤

• 为每个步骤提供详细定义和约束

• 代表工作：

• G-Eval和DHP：使用Chain-of-Thought方法

• SocREval：采用苏格拉底式方法设计步骤

• BSM：将评估任务并行分解后合并

3. 评估标准分解

• 将粗粒度标准分解为细粒度子标准

• 多维度评分后综合

• 典型案例：

• HD-Eval：通过层次标准分解对齐人类偏好

• Hu and Gao：建立11项明确的层次分类系统

4. 针对性优化

• 随机交换内容：解决位置偏见

• 代表工作：Auto-J、JudgeLM、PandaLM等

5. 评估任务转换

• 将评分任务转换为配对比较任务

• 通过局部配对比较实现全局排序

• 代表工作：Liu等人提出的PARIS框架

b) 优化LLM的输出形式

1. 结构化输出约束

• 使用特定格式模板（如"X: Y"）

• JSON字典格式输出

• 典型应用：G-Eval、DHP、LLM-EVAL

2. 提供解释性输出

• 同时输出评分和解释理由

• 提升评估结果的可解释性

• 代表工作：CLAIR、FLEUR等

2. 模型能力提升策略

a) 基于元评估数据集的微调

1. 数据集构建方法

• 从公开数据集采样并修改

• 使用强大LLM生成训练数据

• 典型案例：

• PandaLM：基于Alpaca数据集

• SALAD-Bench：基于LMSYS-Chat数据集

2. 数据增强技术

• 生成离题版本（OffsetBias）

• 多路径提示策略（CritiqueLLM）

• 参考支持和丢弃范式（JudgeLM）

b) 基于反馈的迭代优化

1. 模型反馈优化

• 收集失败模式

• 使用更强大模型提供反馈

• 代表工作：INSTRUCTSCORE

2. 人机协同优化

• 人工纠正评估结果

• 动态更新示例集

• 典型案例：JADE框架

3. 评估结果优化策略

a) 多重评估结果整合

1. 多轮评估

• 多次独立评估取平均

• 不同参数设置下的综合

• 典型应用：

• PsychoBench：十次独立运行

• Auto-J：结合多种评判标准

2. 多模型投票

• 使用多个评估模型

• 通过投票机制整合结果

• 代表工作：CPAD、分布式同行评议

b) 直接优化输出

1. 分数平滑

• 结合token概率权重

• 显式分数和隐式概率结合

• 典型案例：FLEUR评分平滑

2. 自验证机制

• 评估结果可靠性检查

• 仅保留通过自验证的结果

• 代表工作：TrueTeacher

通过以上这些策略的综合运用，我们可以显著提升LLM评判系统的性能。这些方法不是互斥的，而是可以相互补充，共同构建更可靠的评估体系。例如，我们可以在直接优化输出的基础上进行多重评估结果整合，从而获得更稳定的评估结果。

七、专业领域应用

LLM评判领域的应用非常广泛，包括金融领域、法律领域、创意内容评估等。

1. 金融领域

在金融领域，LLM评判可以应用于风险评估、合规性检查等场景。例如，通过使用LLM评判，可以快速评估金融文档的风险水平和合规性。

2. 法律领域

在法律领域，LLM评判可以应用于法律文书审查、合同评估等场景。例如，通过使用LLM评判，可以快速评估法律文书的准确性和有效性。

3. 创意内容评估

在创意内容评估领域，LLM评判可以应用于文学作品评价、艺术创作评估等场景。例如，通过使用LLM评判，可以快速评估文学作品的质量和艺术创作的价值。

八、实践建议

以下是一些面向AI应用开发者的实践建议：

1. 评估任务设计

评估任务设计是至关重要的。通过设计合适的评估任务，可以显著提高评估的有效性和可靠性。例如，通过使用结构化模板，可以提高评估的准确性和可靠性。

2. 提示工程优化

提示工程优化是至关重要的。通过优化提示词，可以显著提高评估的准确性和可靠性。例如，通过使用清晰的指令语言，可以提高评估的准确性和可靠性。

3. 质量保证措施

质量保证措施是至关重要的。通过实施质量保证措施，可以显著提高评估的有效性和可靠性。例如，通过使用多轮评估，可以提高评估的准确性和可靠性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】