Bring Your Own Data! Self-Supervised Evaluation for Large range of Language model web link ChatPaper overview: bài viết học được trong bối cảnh ứng dụng rộng rãi của mô hình ngôn ngữ quy mô lớn, làm thế nào để đánh giá hành vi của mô hình đối với dữ liệu thực tế là một vấn đề cần phải được giải quyết một cách khẩn cấp. Phương pháp đánh giá hiện nay chủ yếu dựa trên một bộ dữ liệu nhỏ, cụ thể và được đánh dấu bởi con người, nhưng sự đa dạng trong các tập đánh giá này là rất hạn chế, dữ liệu có thể có vấn đề rò rỉ, dẫn đến kết quả đánh giá chính xác hơn. Bài viết đã rõ ràng đưa ra một khung tự giám sát để đánh giá, thông qua phân tích của văn bản đầu ra, đánh giá độ nhạy và bất biến của mô hình ngôn ngữ đối với các bộ dữ liệu khác nhau, có thể dễ dàng giám sát các mô hình hành vi trong các bộ dữ liệu hoang dã và triển khai trực tuyến. Trong khi đó, bài báo cũng giới thiệu các ứng dụng cụ thể của chiến lược tự giám sát đánh giá, bao gồm các kiến thức khoa học khép kín, nội dung độc hại, phụ thuộc vào văn cảnh xa, cấu trúc cú pháp và đánh giá lỗi đánh dấu. Nghiên cứu nhận ra rằng kết quả đánh giá tự giám sát và hướng dẫn sử dụng đánh giá kết quả có một mối quan hệ mạnh mẽ, có thể được sử dụng như là một phương pháp đánh giá phụ thuộc vào dữ liệu hiện nay để bổ sung hiệu quả. # đọc giấy với chat giấy # giấy #ai# ai# ai# ai# mỗi ngày nóng giấy đề nghị