arXiv · cs.AI· Han Jiang, Sunbeom Kwon, Jinwen Luo, Ziang Xiao, Susu Zhang·· 2 天前
AI基准评估能否可信使用项目反应理论（IRT）？
Can We Trust Item Response Theory for AI Evaluation?
arXiv:2607.15190v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Han Jiang, Sunbeom Kwon, Jinwen Luo, Ziang Xiao, Susu Zhang
研究任务与主要进展
基于论文摘要，作者研究项目反应理论（IRT）用于AI基准能力估计、模型排名、样本选择和基准质量诊断时的可靠性。作者基于六个常用LLM基准，在三种IRT模型和18,000次模拟中比较边际极大似然、Markov链Monte Carlo、变分推断和neural pseudo-Siamese四类估计器。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org