评分表模板
评分表模板
维度A 事实准确性：
5=所有主张有材料支持；3=主要主张有支持、次要未验证；1=存在与材料冲突的主张
维度B 完整性：
5=覆盖问题全部要点；3=覆盖主要要点；1=遗漏关键要点
合成规则：两维均达到 3 才算通过；不计算加权总分。| 行为描述 | 用“有几处冲突”这类可观察描述，而不是“很准确” |
|---|---|
| 合成 | 先给通过线与硬条件，再谈分数；防止一维高掩盖另一维差 |
| 独立 | 各维度独立评，最后再合成 |
本包目录（290 条）
提示词基础40 条模式与框架50 条任务型写法50 条
评估与迭代50 条
- 先定成功标准再改提示
- 金标测试集构建
- LLM 评审（LLM-as-a-judge）基本写法
- 摘要自动指标 ROUGE 与局限
- 精确率、召回率与 F1
- 成对比较评估（A/B 判别）
- 准确率与其陷阱（类别不均衡）
- 回归测试集与用例管理
- 测试样本的切片标签
- 结构化输出的可解析率
- A/B 对比实验设计
- 保留集与提示过拟合
- 抽取任务的字段级评估
- 评测样本量的波动直觉
- 混淆矩阵与错误模式分析
- 评分表（rubric）式评审
- 采样随机性与可复现记录
- 摘要的人工评估维度
- 代码评估 pass@k
- 评审位置偏差与缓解
- 错误分类体系（误差分析）
- 迭代闭环：假设→改→回放→对比
- 重复运行与结果波动
- 翻译指标 BLEU 与 chrF
- 执行式评估：用运行结果判对错
- 评委自偏好与同源问题
- 提示变更的卡口（CI 门禁）
- 切片复盘：定位退化的那一块
- 上线后的质量监控
- 神经翻译质量评估（COMET）
- 评委的长度偏好（啰嗦偏差）
- 评委与人工评分的对齐
- 评测集的分层抽样
- badcase 挖掘与归类流程
- token 用量核算与预算
- 语义相似度指标（BERTScore 思路）
- 难例集与对抗样本池
- 两个版本的差异是否显著
- 标注规范文档写法
- 用户反馈闭环
- 提示变更日志与实验记录
- 成本与延迟纳入评测
- 多重比较与指标挑选
- 人工标注一致性（Kappa）
- 影子运行与灰度评估
- 延迟看分位数（P95/P99）
- 双标与仲裁流程
- 金标集的保鲜与轮换
- 输入分布漂移的检测
- 评测报告模板与结论写法
评分表（rubric）式评审
把评分标准写成维度表：每档给行为描述而非形容词；评委逐维核对再合成结论，避免一个分数打天下。
易错点
- 维度描述抽象（“质量高”）时不同批次分数不可比；描述要落到行为
- 加权总分掩盖单维崩坏；关键维度先设硬性通过线
数据来源与参考
- G-Eval: NLG Evaluation using GPT-4 with Better Human Alignment（Liu et al., 2023）的评分表思路