超越单一性：多代在有效基准评估与分析中的关键作用

本研究提出了一种层次统计模型，以解决大型语言模型基准评估中的内在随机性问题。通过多代生成提高分数估计的准确性，降低方差，并引入基于正确率的提示级别难度评分，以增强错误检测和质量控制。