ICML 2024 | DyVal 2：更加通用和自动的大语言模型的动态评测和洞察协议

大语言模型（LLMs）通常在海量数据上训练过，这造成了潜在的测试数据污染问题[1, 2, 3]，即公开的测试数据如MMLU等会不可避免地被加入训练集或有针对性地overfit测试集的问题。如何保证测试数据能够合理且正确的评估大语言模型这一问题引起了学术界的广泛关注。先前的工作DyVal [1] （Dynamic Evaluation，动态评测协议）利用有向无环图（Directed Acyclic Graphs, DAGs）动态生成测试数据，减少了测试数据被模型记忆的可能。然而，DyVal很难利用至那些无法用DAG表示的任务中（如mmlu，arc等）。本文将DyVal升级，提出Meta Probing Agent （MPA）。MPA设计了探测（probing）和评判（judge）agent，遵循心理测评学理论的三种基本认知能力：语言理解、问题解决和领域知识，自动将原始评估问题转变为新的问题。这些基本能力还可以动态配置，允许多角度分析。本文对经过MPA ………………………………