---
format: "aidr-story-markdown/v1"
id: "6f5139196ce92d6d16d8a0dbbb1026f9e60250a5281b61589e9189f8399b05fe"
canonical_url: "https://aidr.today/6f513919?lang=vi"
title: "Dramagrow một benchmark nhận biết chế độ cho việc kiểm toán LLM đánh giá drama đa tập"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-10T05:00:00.000Z"
category: "Data"
topics: ["llm","data-engineering"]
source_urls: ["https://arxiv.org/abs/2611.09938"]
summary: "LLM hiện có thể soạn các bộ drama đa tập hoàn chỉnh và các LLM judge ngày càng được dùng để đánh giá chúng. Việc đánh giá độ tin cậy của các judge này rất khó vì chất lượng drama bao gồm các lỗi dựa trên quy cách, sở thích có thể tái tạo và sự bất đồng hợp lý giữa người đánh giá con người. Hầu hết các đánh giá hiện tại quy giản các trường hợp này thành một điểm duy nhất từ một lần gọi judge và không báo cáo về hiệu chỉnh hòa, sự biến thiên giữa các lần gọi và biên độ phiếu bầu cơ bản của tham chiếu con người. Nhóm tác giả giới thiệu DramaGrow, một benchmark và protocol kiểm toán nhận biết chế độ cho drama năm tập do AI-generated tạo ra bằng tiếng Trung. Benchmark này gán các vi phạm ràng buộc có thể kiểm chứng, sở thích bốn trên năm và sự bất đồng trong hội đồng riêng biệt vào các mẫu số và quy tắc bằng chứng. Nó chứa 800 tập, 120 can thiệp bảo toàn byte và 1.155 hồ sơ năm người đánh giá bị che, bao gồm một phần mở rộng đóng băng với 114 cặp đa số siêu và 21 cặp bất đồng."
---

# Dramagrow một benchmark nhận biết chế độ cho việc kiểm toán LLM đánh giá drama đa tập

> [Open the canonical story](<https://aidr.today/6f513919?lang=vi>)

**Published:** 2026-11-10T05:00:00.000Z
**Category:** Data
**Topics:** llm, data\-engineering

## Summary

LLM hiện có thể soạn các bộ drama đa tập hoàn chỉnh và các LLM judge ngày càng được dùng để đánh giá chúng\. Việc đánh giá độ tin cậy của các judge này rất khó vì chất lượng drama bao gồm các lỗi dựa trên quy cách, sở thích có thể tái tạo và sự bất đồng hợp lý giữa người đánh giá con người\. Hầu hết các đánh giá hiện tại quy giản các trường hợp này thành một điểm duy nhất từ một lần gọi judge và không báo cáo về hiệu chỉnh hòa, sự biến thiên giữa các lần gọi và biên độ phiếu bầu cơ bản của tham chiếu con người\. Nhóm tác giả giới thiệu DramaGrow, một benchmark và protocol kiểm toán nhận biết chế độ cho drama năm tập do AI\-generated tạo ra bằng tiếng Trung\. Benchmark này gán các vi phạm ràng buộc có thể kiểm chứng, sở thích bốn trên năm và sự bất đồng trong hội đồng riêng biệt vào các mẫu số và quy tắc bằng chứng\. Nó chứa 800 tập, 120 can thiệp bảo toàn byte và 1\.155 hồ sơ năm người đánh giá bị che, bao gồm một phần mở rộng đóng băng với 114 cặp đa số siêu và 21 cặp bất đồng\.

## Sources

- [Story source](<https://arxiv.org/abs/2611.09938>)