LLM Comparator: Visual Analytics for Side-by-Side Evaluation of Large Language Models

本文是LLM系列文章，针对《LLM Comparator: Visual Analytics for Side-by-Side Evaluation of
Large Language Models》的翻译。

摘要

自动并排评估已成为评估大型语言模型（LLM）响应质量的一种很有前途的方法。然而，分析这种评估方法的结果会带来可扩展性和可解释性方面的挑战。在本文中，我们介绍了LLM Comparator，这是一种新颖的视觉分析工具，用于交互式分析自动并排评估的结果。该工具支持交互式工作流，用户可以了解模型何时以及为什么比基线模型表现更好或更差，以及两个模型的响应在质量上有何不同。我们与一家大型科技公司的研究人员和工程师密切合作，反复设计和开发了该工具。本文详细介绍了我们确定的用户挑战、工具的设计和开发，以及一项针对定期评估其模型的参与者的观察性研究。