Yang Liu
Si un modelo de lenguaje más capaz puede usarse para calificar las salidas de uno menos capaz — y cómo hacerlo sin engañarse a uno mismo.
El artículo G-Eval de 2023 cristalizó una práctica que llevaba un año insinuándose en el campo: en lugar de escribir otra métrica automática para la calidad de NLG, usar un LLM fuerte como juez, darle un prompt con una rúbrica estructurada y leer su salida como una puntuación. G-Eval correlacionó con el juicio humano mejor que todas las métricas automáticas anteriores en las mismas tareas, y el artículo es ahora la referencia citable para casi cualquier sistema que puntúa texto generado con un modelo — incluido el de ai100, que depende de que este enfoque exista como metodología defendible y no como un truco ingenioso.