Amir Globerson
Ein Sprachmodell als adversariellen Befrager eines anderen zu nutzen, um faktische Fehler sichtbar zu machen, die keines der beiden allein finden könnte.
Das 2023 erschienene „LM vs LM“-Paper aus Globersons Gruppe richtete ein Kreuzverhör-Protokoll ein: Ein Modell produziert eine Behauptung, ein zweites Modell stellt Anschlussfragen, die auf Inkonsistenzen prüfen sollen, und die ursprüngliche Behauptung wird markiert, wenn die Anschlussfragen einen Widerspruch erzwingen. Das Setup gibt dem Feld etwas, das ihm gefehlt hatte — eine Methode zur Faktentreue-Erkennung, die keine gelabelte Ground Truth braucht, keinen Zugriff auf Modellinterna verlangt und nicht erfordert, einem der beiden Modelle für sich allein zu vertrauen. Globersons längerer Bogen liegt in der Theorie des maschinellen Lernens, und das prägt die Lektüre der Arbeit: LLM-Evaluation als Problem adversariellen Samplings und der Informationsgeometrie, nicht als Problem des Prompt Engineering.