让 LLM 来评判 | 设计你自己的评估 prompt

设计你自己的评估 prompt

这是 让 LLM 来评判 系列文章的第三篇，敬请关注系列文章:

• 基础概念
• 选择 LLM 评估模型
• 设计你自己的评估 prompt
• 评估你的评估结果
• 奖励模型相关内容
• 技巧与提示

通用 prompt 设计建议

我总结的互联网上通用 prompt 的通用设计原则如下:

• 任务描述清晰:
  • Your task is to do X (你的任务是 X).
  • You will be provided with Y (你拿到的信息是 Y).
• 评估标准精细，评分细则详尽 (如有必要)：
  • You should evaluate property Z on a scale of 1 - 5, where 1 means ... (根据属性 Z 的表现进行评分，评分范围为 1 - 5，其中 1 分表示 ...)
  • You should evaluate if property Z is present in the sample Y. Property Z is present if ... (请指出样本 Y 中是否具备属性 Z，如果具备，那么 ...)
• 加入一些 “推理” 评估步骤
  • To judge this task, you must first make sure to read sample Y carefully to identify ..., then ... (评估此任务之前，请先仔细阅读样本 Y，识别出 ...，然后再 ...)
• 输出格式明确 (添加特定字段可以提升一致性)
  • Your answer should be provided in JSON, with the following format {"Score": Your score, "Reasoning": The reasoning which led you to this score} (以 JSON 格式回答，格式为 {"Score": 评分, "Reasoning": 评分推理过程})

Prompt 书写灵感可以参考 MixEval 或 MTBench 的 prompt 模板。

其他要点:

• 成对比较比对输出评分更能反映人类的偏好，且通常更稳健
• 如果任务确实需要对输出评分为具体的值，建议使用整数，并详细解释 每个分值的代表含义，或添加说明 prompt 如 provide 1 point for this characteristic of the answer, 1 additional point if ... (回答具备某项特性得 1 分，如果 ... 再加 1 分) 等
• 尽量每评估一项能力就使用专门评分 prompt，会得到更好而鲁棒的结果

提升评估准确性

可以通过以下方式或技术来提升评估准确性 (有可能会增加成本):

• Few-shot 示例：提供少量示例可以帮助模型理解和推理，但也会增加上下文长度。
• 引用参考：提供参考内容可以提高模型输出的准确性。
• *思维链 (CoT)：要求模型 在评分之前 给出推理过程，可以 提高准确性 (参考这篇 帖子)。
• 多轮分析：可以更好地 检测事实性错误
• 陪审团机制：汇总多个评价模型的结果 比单一模型的结果更好。
  • 使用多个小模型替代一个大模型可以大幅降低成本。
  • 也可以使用一个模型的多个温度参数来进行多次实验。
• 社区意外发现，prompt 引入奖励机制 (例如：回答正确将得到一只小猫) 可以提高回答正确性。这个方法的效果视场景而异，你可以根据需求灵活调整。

注：如要减少模型偏见，可以参考社会学中的问卷设计，然后根据使用场景来书写 prompt。如想使用模型来替代人工评估，可以设计类似的评价指标：如计算标注员一致性，使用正确的问卷方法来减少偏见等。

不过在实际应用中，大多数人并不需要完全可复现且高质量无偏的评估，快速且略显粗糙的 prompt 就能满足需求。(只要知悉使用后果，这种情况也是能接受的)。

---

英文原文: https://raw.githubusercontent.com/huggingface/evaluation-guidebook/refs/heads/main/translations/zh/contents/model-as-a-judge/designing-your-evaluation-prompt.md

原文作者: clefourrier

译者: SuSung-boy

审校: adeenayakup