本文探讨了大型语言模型（LLMs）在内容质量评估中的系统偏差，并提出了两种校准策略以减轻这种偏差。研究表明，LLMs在评估中存在显著偏见，影响其与人类判断的一致性。作者开发了FairEval工具包，结合人工注释，促进未来研究的开展。

本文探讨了大型语言模型（LLMs）在自然语言生成评估中的偏见问题，提出了多维度独立评估系统以提高评估质量。研究发现LLMs存在冗长性偏差和偏见分布，影响评估一致性。作者提出了校准策略以减轻这些偏差，并开发了工具包FairEval以促进未来研究。

在少样本增量学习（FSCIL）中，现有方法常将新类别样本误分类为基类别，影响新类别性能。为此，提出了一种校准策略TEEN，通过融合新类别与加权基类别原型，提升可区分性。该方法在多个基准测试中表现优异，显著减轻模型偏差问题，并在多个数据集上取得领先性能。

本文探讨了大型语言模型（LLM）评估中人类偏好与模型表现的关系。研究发现，人类对错误不敏感，倾向于偏好支持自身观点的回答，而高级模型如GPT-4-Turbo更注重正确性和清晰度。通过成对偏好学习，提出了一种新框架以自动评估LLM，解决评估偏见和成本问题，并提出校准策略以提高与人类评估的一致性。