12:06arXiv: DeepSeek@Bin Zhu, Yanghui Rao这篇论文研究了在有限人工标注预算下,LLM法官面板(多个LLM作为评估者)的校准策略选择问题。低维堆叠器(如标量或可靠性聚合)估计成本低但无法捕捉交互效应,而联合输出表可以建模交互但需要更多数据填充单元格。作者提出了一个有限校准机制图,并实例化为可部署的验证选择器。在RewardBench、LLMBar等基准测试中,使用7个法官(包括DeepSeek V4 Flash)的实验表明,标量/可靠性聚合在20个真实数据集-预算组合中赢了16个,说明当前法官输出往往是加性或冗余的。当存在六路交互时,联合输出表才显著优于标量方法(测试MSE从0.224降至0.061)。结论是,关键问题不是“需要多少法官”,而是下一个法官的信息在当前人工标签下是否可估计。论文LLM评估校准策略法官面板有限预算交互效应推荐理由:做LLM评估或模型对齐的团队会关心:这篇论文给出了在有限标注预算下选择校准策略的实用指南,建议直接参考其机制图来优化你的法官面板配置。原文