← Catalogへ戻る

LLM-as-a-Judge

LLM-as-a-Judge

LLMを評価者として使い、モデルやシステムの出力を評価、比較、採点、順位付けする方法です。

ARC-V1-028

同じ質問への二つの回答を評価基準とともに別のLLMへ渡し、どちらが条件を多く満たすか順位付けさせる。

区別・注意

LLM-as-a-Judgeは評価の方法や役割であり、客観的な正解や人間による監督を意味しません。追加の証拠やテストで出力を確かめるVerification一般と同一でもありません。評価者として使うLLM自体に、LLM Judge Biasが生じることがあります。

用語上の注意

LLMを評価者に使うことの妥当性や有効性は、評価対象、基準、比較対象、運用条件などに依存します。

Evidence

Evidenceを見る →

Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena

SRC-F04-004

タイトル
Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena
著者・組織
Zheng et al.
2023
種別
NeurIPS Datasets & Benchmarks
公開状態
PEER_REVIEWED
対応する用語・主張
LLM-as-a-Judge; LLM Judge Bias; human agreement; position/verbosity/self-enhancement bias
範囲
MT-Bench + Chatbot Arena; GPT-4-era judges
限界
early-generation judges; >80% agreement is setting-specific
アクセス・版
published proceedings
URL / DOI
https://doi.org/10.52202/075280-2020

Curse of Knowledge: … Biasing LLM Judges in Complex Evaluation

SRC-F04-007

タイトル
Curse of Knowledge: … Biasing LLM Judges in Complex Evaluation
著者・組織
Li et al.
2025
種別
Findings EMNLP
公開状態
PEER_REVIEWED
対応する用語・主張
LLM Judge Bias; LLM-as-a-Judge; auxiliary-information-induced biases; task complexity
範囲
ComplexEval Bench; 12 basic + 3 advanced scenarios
限界
benchmark-defined complex evaluation
アクセス・版
published Findings EMNLP
URL / DOI
https://doi.org/10.18653/v1/2025.findings-emnlp.805