大型语言模型评估中的信心：应对有限样本挑战的贝叶斯方法

本研究解决了传统评价框架无法有效评估大型语言模型（LLM）在有限样本情况下能力的问题。通过将模型能力视为潜在变量并利用贝叶斯假设检验的方法，提出了一种新的评估框架，实验结果表明该方法在取样不足的情况下仍然保持统计稳健性，并提供有益的概率性见解，推动了LLM评估方法的发展。