在自然语言处理领域，大型语言模型（LLMs）的发展迅速，已经在多个领域取得了显著的进展。不过，随着模型的复杂性增加，如何准确评估它们的输出就变得至关重要。传统上，我们依赖人类来进行评估，但这种方式既耗时又难以规模化，无法跟上模型快速发展的步伐。

为了改变这种现状，Salesforce AI 研究团队推出了 SFR-Judge，这是一个由三个大型语言模型组成的评估家族。这些模型分别拥有80亿、120亿和700亿个参数，基于 Meta Llama3和 Mistral NeMO 构建。SFR-Judge 能够执行多种评估任务，包括成对比较、单一评分和二分类评估，旨在帮助研究团队快速高效地评估新模型的表现。

传统的 LLM 评估模型往往存在一些偏差问题，比如位置偏差和长度偏差，这会影响它们的判断。为了克服这些问题，SFR-Judge 采用了直接偏好优化（DPO）训练方法，让模型从正负例中学习，从而提升其评估任务的理解能力，减少偏差，确保判断的一致性。

在测试中，SFR-Judge 在13个基准测试上表现优异，超过了许多现有的评估模型，包括一些私有模型。特别是在 RewardBench 排行榜上，SFR-Judge 的准确率达到了92.7%，这是生成型评估模型首次和第二次超越90% 的门槛，展现出其在评估模型中的卓越表现。

SFR-Judge 的训练方法涵盖三种不同的数据格式。首先是 “思维链批评”，帮助模型生成对评估响应的结构化分析。其次是 “标准评判”，简化评估过程，直接反馈响应是否符合标准。最后，“响应推导” 则帮助模型理解高质量回应的特征，强化其判断能力。这三种数据格式的结合，使得 SFR-Judge 的评估能力得到了极大提升。

经过大量实验，SFR-Judge 模型在减少偏差方面表现显著优于其他模型。在 EvalBiasBench 基准测试中，它们展现了高度的成对顺序一致性，这表明即便响应顺序发生变化，模型的判断依然保持稳定。这使得 SFR-Judge 成为一种可靠的自动化评估解决方案，减少了对人工标注的依赖，为模型评估提供了更可扩展的选择。

论文入口:https://arxiv.org/abs/2409.14664