本文讨论了使用G-Eval和LLM评估方法评估文本质量的细节，发现G-Eval中的自动思维链不总是使评分更加一致，而强制LLM仅输出数字评分也不理想。研究揭示出要求LLM解释其自身评分会持续改善与人类评分之间的相关性。

本文讨论了使用LLMs评估文本质量的两种方法：LLM评估和G-Eval。研究发现，G-Eval中使用的自动思维链并不总是使G-Eval与人类评分更加一致。同时，强制LLM仅输出数字评分是不理想的。要求LLM解释其自身评分会持续改善ChatGPT与人类评分之间的相关性。