精选理由
做LLM评估或裁判定制的团队，这篇论文点出了多目标优化时容易踩的坑——梯度稀释和指令干扰，看完能帮你避开无效的提示优化策略。
该论文研究了在多评估标准下同时优化LLM裁判提示时出现的失败模式。由于文本梯度方法产生自然语言评论而非数值向量，多任务学习中的冲突解决工具（如PCGrad、MGDA）无法直接应用。实验测试了五种文本梯度优化器的分解模式，发现在10种配置中有6种优化效果未超过初始提示。当梯度LLM联合处理多个标准时，梯度特异性下降59%（从9.0降至3.7）。此外，简单合并各任务指令会导致斯皮尔曼相关系数下降5.3%。研究识别出两种可分离的失败模式：优化时的梯度稀释和推理时的指令干扰，这限制了多目标裁判定制的设计空间。
AI 翻译 · 中文
该论文研究了在多评估标准下同时优化LLM裁判提示时出现的失败模式。由于文本梯度方法产生自然语言评论而非数值向量，多任务学习中的冲突解决工具（如PCGrad、MGDA）无法直接应用。实验测试了五种文本梯度优化器的分解模式，发现在10种配置中有6种优化效果未超过初始提示。当梯度LLM联合处理多个标准时，梯度特异性下降59%（从9.0降至3.7）。此外，简单合并各任务指令会导致斯皮尔曼相关系数下降5.3%。研究识别出两种可分离的失败模式：优化时的梯度稀释和推理时的指令干扰，这限制了多目标裁判定制的设计空间。
Customizing an LLM judge to a specific task or domain often involves optimizing its prompt across multiple evaluation criteria simultaneously. Textual gradient methods automate this for a single judge criterion, however …