Bilanz der Quelle: Eine Arbeit vom 13. April 2026 zerlegt die Unsicherheit in LLM-Auswertungspipelines in ihre Quellen und trennt Varianz, die mit mehr Daten schrumpft, von Empfindlichkeit gegenüber Forscher-Entscheidungen wie Judge-Modell, Temperatur und Prompt-Formulierung. Klassische Standardfehler liegen in den Demonstrationen 40 bis 60 Prozent unter den korrigierten Werten. Mit Chatbot-Arena-Daten zeigt die Arbeit, dass die naive 95-Prozent-Abdeckung mit wachsender Stichprobe sinkt.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
