{"id":492165,"date":"2026-08-25T13:16:03","date_gmt":"2026-08-25T13:16:03","guid":{"rendered":"https:\/\/savepearlharbor.com\/?p=492165"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=492165","title":{"rendered":"\u041a\u0430\u043a\u00a0\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0442\u044c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e LLM, RAG \u0438 AI\u2011\u0430\u0433\u0435\u043d\u0442\u043e\u0432: \u043c\u0435\u0442\u0440\u0438\u043a\u0438, \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0438 LLM\u2011as\u2011a\u2011Judge"},"content":{"rendered":"<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0412 2024\u00a0\u0433\u043e\u0434\u0443 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u043f\u0440\u043e\u0432\u0435\u043b\u0438 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442: \u0432\u0437\u044f\u043b\u0438 \u0442\u0435\u0441\u0442\u044b \u0441\u00a0\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u0430\u043c\u0438 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0438 \u043d\u0430\u0447\u0430\u043b\u0438 \u043c\u0435\u043d\u044f\u0442\u044c \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b \u043c\u0435\u0441\u0442\u0430\u043c\u0438. \u0421\u0430\u043c\u0438 \u0432\u043e\u043f\u0440\u043e\u0441\u044b \u0438 \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u043d\u0438\u0435 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043e\u0441\u0442\u0430\u0432\u0430\u043b\u0438\u0441\u044c \u043f\u0440\u0435\u0436\u043d\u0438\u043c\u0438. \u041a\u0430\u0437\u0430\u043b\u043e\u0441\u044c\u00a0\u0431\u044b, \u043a\u0430\u043a\u0430\u044f \u0440\u0430\u0437\u043d\u0438\u0446\u0430, \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043f\u043e\u0434\u00a0\u0431\u0443\u043a\u0432\u043e\u0439 A \u0438\u043b\u0438\u00a0\u043f\u043e\u0434\u00a0\u0431\u0443\u043a\u0432\u043e\u0439 C?<\/p>\n<p>\u041e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0435\u0441\u0442\u044c. \u0412\u00a0\u0440\u0430\u0431\u043e\u0442\u0435 <em>Large Language Models Sensitivity to The Order of Options in Multiple\u2011Choice Questions<\/em> \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u0437\u0430\u043c\u0435\u0442\u043d\u044b\u0439 \u0440\u0430\u0437\u0431\u0440\u043e\u0441 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043f\u0440\u0438\u00a0\u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043e\u0432. \u041d\u0430\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 \u0441\u043e\u0447\u0435\u0442\u0430\u043d\u0438\u044f\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0438 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432 \u0440\u0430\u0437\u0440\u044b\u0432 \u043e\u043a\u0430\u0437\u0430\u043b\u0441\u044f \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u0438\u043c. \u0423\u0436\u0435 \u043d\u0435\u043f\u0440\u0438\u044f\u0442\u043d\u043e. \u041d\u043e\u00a0\u0434\u0430\u043b\u044c\u0448\u0435 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0435\u0435.<\/p>\n<p>\u041e\u0442\u0432\u0435\u0442\u044b LLM \u0447\u0430\u0441\u0442\u043e \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e\u0442 \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0434\u0440\u0443\u0433\u043e\u0439 LLM. \u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u043d\u0430\u0437\u044b\u0432\u0430\u044e\u0442 <strong>LLM\u2011as\u2011a\u2011Judge<\/strong>: \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0432\u043e\u043f\u0440\u043e\u0441, \u044d\u0442\u0430\u043b\u043e\u043d \u0438\u043b\u0438\u00a0\u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0438, \u043e\u0442\u0432\u0435\u0442 \u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c\u043e\u0439 \u0441\u0438\u0441\u0442\u0435\u043c\u044b \u0438 \u0432\u044b\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u043e\u0446\u0435\u043d\u043a\u0443. \u041e\u0434\u043d\u0430\u043a\u043e \u0438 \u0442\u0430\u043a\u043e\u0439 \u0441\u0443\u0434\u044c\u044f \u043d\u0435\u00a0\u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u043e\u0431\u044a\u0435\u043a\u0442\u0438\u0432\u0435\u043d. \u0412\u00a0\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u0438 <em>Judging LLM\u2011as\u2011a\u2011Judge with MT\u2011Bench and Chatbot Arena<\/em> \u043e\u043f\u0438\u0441\u0430\u043d\u044b, \u0432\u00a0\u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438, \u043f\u043e\u0437\u0438\u0446\u0438\u043e\u043d\u043d\u043e\u0435 \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435 \u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u0447\u0442\u0435\u043d\u0438\u0435 \u0431\u043e\u043b\u0435\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432.<\/p>\n<p>\u041f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043b\u044e\u0431\u043e\u043f\u044b\u0442\u043d\u0430\u044f \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u044f: \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043e\u0434\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442\u00a0\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u043a\u0438 \u0438 \u043f\u043e\u0440\u044f\u0434\u043a\u0430 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432, \u0430\u00a0\u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u043c\u044b \u0435\u0451 \u0434\u0440\u0443\u0433\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u044c\u044e\u00a0\u2014 \u0441\u043e \u0441\u0432\u043e\u0438\u043c\u0438 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044f\u043c\u0438. \u0414\u043b\u044f\u00a0\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439 \u044d\u0442\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0439 \u044d\u0444\u0444\u0435\u043a\u0442. \u0414\u043b\u044f\u00a0\u043a\u043e\u043c\u0430\u043d\u0434\u044b, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0435\u0442 AI\u2011\u0444\u0443\u043d\u043a\u0446\u0438\u044e \u0432\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d,\u00a0\u2014 \u043e\u0431\u044b\u0447\u043d\u0430\u044f \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u043d\u0430\u044f \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430.<\/p>\n<h3>\u041f\u043e\u0447\u0435\u043c\u0443 \u0440\u0443\u0447\u043d\u043e\u0439 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e<\/h3>\n<p>\u041f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u043c \u0442\u0438\u043f\u0438\u0447\u043d\u044b\u0439 \u0440\u0435\u043b\u0438\u0437. \u041a\u043e\u043c\u0430\u043d\u0434\u0430 \u0438\u0437\u043c\u0435\u043d\u0438\u043b\u0430 system prompt, \u0437\u0430\u043c\u0435\u043d\u0438\u043b\u0430 \u043c\u043e\u0434\u0435\u043b\u044c, \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0430 reranker \u0438\u043b\u0438\u00a0\u0434\u0430\u043b\u0430 \u0430\u0433\u0435\u043d\u0442\u0443 \u043d\u043e\u0432\u044b\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442. \u0420\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a \u043e\u0442\u043a\u0440\u044b\u043b \u0447\u0430\u0442, \u0437\u0430\u0434\u0430\u043b \u0434\u0435\u0441\u044f\u0442\u044c \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432 \u0438 \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u043b \u043e\u0442\u0432\u0435\u0442\u044b. \u0412\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043f\u0440\u0438\u043b\u0438\u0447\u043d\u043e. \u041a\u0430\u0436\u0435\u0442\u0441\u044f, \u0441\u0442\u0430\u043b\u043e \u043b\u0443\u0447\u0448\u0435. \u0421\u043b\u043e\u0432\u043e \u00ab\u043a\u0430\u0436\u0435\u0442\u0441\u044f\u00bb \u0437\u0434\u0435\u0441\u044c \u0438 \u0435\u0441\u0442\u044c \u0433\u043b\u0430\u0432\u043d\u0430\u044f \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430. \u0421\u00a0\u043e\u0431\u044b\u0447\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c \u0432\u0441\u0451 \u043f\u0440\u043e\u0441\u0442\u043e:<\/p>\n<pre><code class=\"python\">calculate_discount(1000, 10)<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:87px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041e\u0436\u0438\u0434\u0430\u0435\u043c\u044b\u0439 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442:<\/p>\n<pre><code>900<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0432\u0435\u0440\u043d\u0443\u043b\u0430 <code>850<\/code>, \u0442\u0435\u0441\u0442 \u0443\u043f\u0430\u043b.<br \/>\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0433\u043e AI\u2011\u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442\u0430. \u0412\u00a0\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043e:<\/p>\n<blockquote>\n<p>\u0417\u0430\u044f\u0432\u043a\u0443 \u043d\u0430\u00a0\u043e\u0442\u043f\u0443\u0441\u043a \u043d\u0443\u0436\u043d\u043e \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0437\u0430 14\u00a0\u0434\u043d\u0435\u0439.<\/p>\n<\/blockquote>\n<p>\u041c\u043e\u0434\u0435\u043b\u044c \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442:<\/p>\n<blockquote>\n<p>\u041f\u043e\u0434\u0430\u0439\u0442\u0435 \u0437\u0430\u044f\u0432\u043a\u0443 \u043d\u0435\u00a0\u043f\u043e\u0437\u0434\u043d\u0435\u0435 \u0447\u0435\u043c \u0437\u0430\u00a0\u0434\u0432\u0435 \u043d\u0435\u0434\u0435\u043b\u0438 \u0434\u043e\u00a0\u043d\u0430\u0447\u0430\u043b\u0430 \u043e\u0442\u043f\u0443\u0441\u043a\u0430.<\/p>\n<\/blockquote>\n<p>\u0421\u0442\u0440\u043e\u043a\u0438 \u0440\u0430\u0437\u043d\u044b\u0435. \u041e\u0431\u044b\u0447\u043d\u044b\u0439 Exact Match \u0441\u043e\u0447\u0442\u0451\u0442 \u043e\u0442\u0432\u0435\u0442 \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u043c. \u0427\u0435\u043b\u043e\u0432\u0435\u043a \u0441\u043a\u0430\u0436\u0435\u0442, \u0447\u0442\u043e\u00a0\u0441\u043c\u044b\u0441\u043b \u0441\u043e\u0445\u0440\u0430\u043d\u0451\u043d.<br \/>\u0417\u043d\u0430\u0447\u0438\u0442, \u0432\u00a0LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0438 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0432\u043f\u0430\u0434\u0435\u043d\u0438\u0435 \u0442\u0435\u043a\u0441\u0442\u0430, \u043d\u043e\u00a0\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u0445 \u0441\u0432\u043e\u0439\u0441\u0442\u0432 \u043e\u0442\u0432\u0435\u0442\u0430:<\/p>\n<ul>\n<li>\n<p><strong>Correctness<\/strong>\u00a0\u2014 \u0432\u0435\u0440\u043d\u044b\u00a0\u043b\u0438 \u0444\u0430\u043a\u0442\u044b;<\/p>\n<\/li>\n<li>\n<p><strong>Completeness<\/strong>\u00a0\u2014 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u00a0\u043b\u0438 \u043f\u043e\u043b\u043d\u043e \u0434\u0430\u043d \u043e\u0442\u0432\u0435\u0442;<\/p>\n<\/li>\n<li>\n<p><strong>Relevance<\/strong>\u00a0\u2014 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442\u00a0\u043b\u0438 \u043c\u043e\u0434\u0435\u043b\u044c \u0438\u043c\u0435\u043d\u043d\u043e \u043d\u0430\u00a0\u0437\u0430\u0434\u0430\u043d\u043d\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441;<\/p>\n<\/li>\n<li>\n<p><strong>Faithfulness<\/strong>\u00a0\u2014 \u043e\u043f\u0438\u0440\u0430\u0435\u0442\u0441\u044f\u00a0\u043b\u0438 \u043e\u0442\u0432\u0435\u0442 \u043d\u0430\u00a0\u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u044b\u0439 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a, \u0431\u0435\u0437\u00a0\u0432\u044b\u0434\u0443\u043c\u0430\u043d\u043d\u044b\u0445 \u0434\u0435\u0442\u0430\u043b\u0435\u0439;<\/p>\n<\/li>\n<li>\n<p><strong>Instruction Following<\/strong>\u00a0\u2014 \u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u044b\u00a0\u043b\u0438 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f \u043a\u00a0\u0444\u043e\u0440\u043c\u0430\u0442\u0443 \u0438 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044e.<\/p>\n<\/li>\n<\/ul>\n<p>\u041e\u0434\u0438\u043d \u043e\u0442\u0432\u0435\u0442 \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u043c \u043f\u043e\u00a0\u0444\u0430\u043a\u0442\u0430\u043c, \u043d\u043e\u00a0\u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0432\u044b\u0434\u0443\u043c\u0430\u043d\u043d\u043e\u0435 \u0434\u043e\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435. \u0418\u043b\u0438\u00a0\u0431\u044b\u0442\u044c \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u043c, \u043d\u043e\u00a0\u043d\u0430\u0440\u0443\u0448\u0430\u0442\u044c \u0442\u0440\u0435\u0431\u0443\u0435\u043c\u044b\u0439 JSON\u2011\u0444\u043e\u0440\u043c\u0430\u0442. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043e\u0434\u043d\u043e\u0439 \u043e\u0446\u0435\u043d\u043a\u0438 \u00ab\u0445\u043e\u0440\u043e\u0448\u043e \/ \u043f\u043b\u043e\u0445\u043e\u00bb \u043e\u0431\u044b\u0447\u043d\u043e \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e.<\/p>\n<figure class=\"full-width \"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/11b\/9e9\/479\/11b9e9479d70bb5612c4cabffa816146.png\" alt=\"\u041e\u0434\u0438\u043d \u043e\u0442\u0432\u0435\u0442 LLM \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u043e \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u043c \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u044f\u043c\" width=\"1672\" height=\"941\" sizes=\"auto, (max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/upload_files\/11b\/9e9\/479\/11b9e9479d70bb5612c4cabffa816146.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/11b\/9e9\/479\/11b9e9479d70bb5612c4cabffa816146.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>\u041e\u0434\u0438\u043d \u043e\u0442\u0432\u0435\u0442 LLM \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u043e\u00a0\u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u043c \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u044f\u043c<\/figcaption><\/div>\n<\/figure>\n<h3>\u0412\u00a0RAG \u043d\u0443\u0436\u043d\u043e \u043e\u0442\u0434\u0435\u043b\u044f\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u043e\u0442\u00a0\u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438<\/h3>\n<p>\u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0445\u043e\u0440\u043e\u0448\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0434\u0435\u043a\u043e\u043c\u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u0432\u0438\u0434\u043d\u0430 \u043d\u0430\u00a0RAG\u2011\u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445. \u041f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c \u0437\u0430\u0434\u0430\u0451\u0442 \u0432\u043e\u043f\u0440\u043e\u0441 \u043f\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u043c\u0443 \u0440\u0435\u0433\u043b\u0430\u043c\u0435\u043d\u0442\u0443, \u0430\u00a0\u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e. \u041f\u0435\u0440\u0432\u0430\u044f \u0440\u0435\u0430\u043a\u0446\u0438\u044f \u0447\u0430\u0441\u0442\u043e \u0437\u0432\u0443\u0447\u0438\u0442 \u0442\u0430\u043a: \u00ab\u043c\u043e\u0434\u0435\u043b\u044c \u043e\u043f\u044f\u0442\u044c \u0433\u0430\u043b\u043b\u044e\u0446\u0438\u043d\u0438\u0440\u0443\u0435\u0442\u00bb. \u041d\u043e\u00a0\u043f\u0440\u0438\u0447\u0438\u043d \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e:<\/p>\n<ul>\n<li>\n<p>\u043d\u0443\u0436\u043d\u044b\u0439 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u043d\u0435\u00a0\u043f\u043e\u043f\u0430\u043b \u0432\u00a0\u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430;<\/p>\n<\/li>\n<li>\n<p>retriever \u043d\u0430\u0448\u0451\u043b \u0443\u0441\u0442\u0430\u0440\u0435\u0432\u0448\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e;<\/p>\n<\/li>\n<li>\n<p>\u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u0440\u0430\u0433\u043c\u0435\u043d\u0442 \u043f\u043e\u0442\u0435\u0440\u044f\u043b\u0441\u044f \u043f\u0440\u0438\u00a0chunking;<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u0439 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442 \u043f\u043e\u043f\u0430\u043b \u0432\u00a0prompt, \u043d\u043e\u00a0\u043c\u043e\u0434\u0435\u043b\u044c \u0435\u0433\u043e \u043f\u0440\u043e\u0438\u0433\u043d\u043e\u0440\u0438\u0440\u043e\u0432\u0430\u043b\u0430;<\/p>\n<\/li>\n<li>\n<p>\u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0430 \u0443\u0442\u0432\u0435\u0440\u0436\u0434\u0435\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u0432\u00a0\u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u043d\u0435\u00a0\u0431\u044b\u043b\u043e.<\/p>\n<\/li>\n<\/ul>\n<p>\u0422\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0441\u043b\u0443\u0447\u0430\u044f \u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f \u043a\u00a0\u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438 \u043e\u0442\u0432\u0435\u0442\u0430. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 RAG \u043b\u0443\u0447\u0448\u0435 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u00a0\u0447\u0430\u0441\u0442\u044f\u043c.<br \/>\u0414\u043b\u044f\u00a0retrieval \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0442 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, <code>Recall@K<\/code>, <code>Hit Rate<\/code> \u0438 <code>MRR<\/code>. \u041e\u043d\u0438 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0442, \u043d\u0430\u0448\u0451\u043b\u00a0\u043b\u0438 \u043f\u043e\u0438\u0441\u043a \u043d\u0443\u0436\u043d\u044b\u0439 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u0438 \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u044b\u0441\u043e\u043a\u043e \u0442\u043e\u0442 \u043e\u043a\u0430\u0437\u0430\u043b\u0441\u044f \u0432\u00a0\u0432\u044b\u0434\u0430\u0447\u0435. \u041f\u043e\u0441\u043b\u0435 \u044d\u0442\u043e\u0433\u043e \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u044e\u0442 \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044e: correctness, faithfulness, relevance \u0438 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u044c \u0441\u0441\u044b\u043b\u043e\u043a \u043d\u0430\u00a0\u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438. \u041f\u043e\u0434\u043e\u0431\u043d\u043e\u0435 \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 retrieval \u0438 generation \u043b\u0435\u0436\u0438\u0442 \u0438 \u0432\u00a0\u043e\u0441\u043d\u043e\u0432\u0435 RAGAS.<br \/>\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c \u0441\u043f\u0440\u0430\u0448\u0438\u0432\u0430\u0435\u0442 \u043e\u00a0\u0441\u0440\u043e\u043a\u0435 \u0432\u043e\u0437\u0432\u0440\u0430\u0442\u0430 \u0442\u043e\u0432\u0430\u0440\u0430. \u0412\u00a0\u0431\u0430\u0437\u0435 \u0435\u0441\u0442\u044c \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442, \u0433\u0434\u0435 \u0443\u043a\u0430\u0437\u0430\u043d\u043e 14\u00a0\u0434\u043d\u0435\u0439.<br \/>\u0415\u0441\u043b\u0438 retriever \u043d\u0435\u00a0\u043d\u0430\u0448\u0451\u043b \u044d\u0442\u043e\u0442 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442, \u043f\u0435\u0440\u0435\u0434 \u043d\u0430\u043c\u0438 <strong>Retrieval Failure<\/strong>. \u0415\u0441\u043b\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u043f\u043e\u043f\u0430\u043b \u0432\u00a0prompt, \u0430\u00a0\u043c\u043e\u0434\u0435\u043b\u044c \u0432\u0441\u0451 \u0440\u0430\u0432\u043d\u043e \u043e\u0442\u0432\u0435\u0442\u0438\u043b\u0430 \u00ab30\u00a0\u0434\u043d\u0435\u0439\u00bb, \u044d\u0442\u043e \u0443\u0436\u0435 <strong>Generation \/ Faithfulness Failure<\/strong>.<br \/>\u0414\u043b\u044f\u00a0\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u0440\u0430\u0437\u043d\u0438\u0446\u044b \u043d\u0435\u0442: \u043e\u043d \u043f\u043e\u043b\u0443\u0447\u0438\u043b \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442. \u0414\u043b\u044f\u00a0\u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0430 \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u043e\u0433\u0440\u043e\u043c\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e\u00a0\u0438\u0441\u043f\u0440\u0430\u0432\u043b\u044f\u0442\u044c \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u0440\u0430\u0437\u043d\u044b\u0435 \u0447\u0430\u0441\u0442\u0438 \u0441\u0438\u0441\u0442\u0435\u043c\u044b.<\/p>\n<figure class=\"full-width \"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/18b\/e3e\/8f6\/18be3e8f61f750682e057d34d2e1b835.png\" alt=\"\u0414\u0438\u0430\u0433\u043d\u043e\u0441\u0442\u0438\u043a\u0430 \u0434\u0432\u0443\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 \u043e\u0448\u0438\u0431\u043e\u043a \u0432 RAG-\u0441\u0438\u0441\u0442\u0435\u043c\u0435\" width=\"1672\" height=\"941\" sizes=\"auto, (max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/upload_files\/18b\/e3e\/8f6\/18be3e8f61f750682e057d34d2e1b835.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/18b\/e3e\/8f6\/18be3e8f61f750682e057d34d2e1b835.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>\u0414\u0438\u0430\u0433\u043d\u043e\u0441\u0442\u0438\u043a\u0430 \u0434\u0432\u0443\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 \u043e\u0448\u0438\u0431\u043e\u043a \u0432\u00a0RAG\u2011\u0441\u0438\u0441\u0442\u0435\u043c\u0435<\/figcaption><\/div>\n<\/figure>\n<h3>Evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u043e\u0433\u043e \u043d\u0430\u0431\u043e\u0440\u0430<\/h3>\n<p>Evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u043d\u0435\u00a0\u0441\u00a0\u0432\u044b\u0431\u043e\u0440\u0430 \u043c\u043e\u0434\u043d\u043e\u0439 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u0438 \u043d\u0435\u00a0\u0441\u00a0\u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u044f \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0433\u043e \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430. \u0421\u043d\u0430\u0447\u0430\u043b\u0430 \u043d\u0443\u0436\u0435\u043d <strong>dataset<\/strong>.<br \/>\u041e\u0434\u0438\u043d \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0439 \u043a\u0435\u0439\u0441 \u043c\u043e\u0436\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u0442\u0430\u043a:<\/p>\n<pre><code class=\"json\">{  \"input\": \"\u041c\u043e\u0433\u0443 \u043b\u0438 \u044f \u043e\u0442\u043c\u0435\u043d\u0438\u0442\u044c \u0431\u0440\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435?\",  \"expected_behavior\": \"\u0417\u0430\u043f\u0440\u043e\u0441\u0438\u0442\u044c \u0442\u0430\u0440\u0438\u0444 \u0438\u043b\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u0431\u0440\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f\",  \"category\": \"cancellation\",  \"risk\": \"medium\"}<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0417\u0434\u0435\u0441\u044c \u043d\u0435\u0442 \u044d\u0442\u0430\u043b\u043e\u043d\u043d\u043e\u0433\u043e \u043e\u0442\u0432\u0435\u0442\u0430\u00a0\u2014 \u0438 \u043e\u043d \u043d\u0435\u00a0\u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u0435\u043d. \u0415\u0441\u0442\u044c \u043e\u0436\u0438\u0434\u0430\u0435\u043c\u043e\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435: \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u043d\u0435\u00a0\u0434\u043e\u043b\u0436\u043d\u0430 \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0442\u044c \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u043e\u0442\u043c\u0435\u043d\u044b, \u0430\u00a0\u0434\u043e\u043b\u0436\u043d\u0430 \u0437\u0430\u043f\u0440\u043e\u0441\u0438\u0442\u044c \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u044e\u0449\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435. \u0422\u0430\u043a\u0438\u0435 \u043a\u0435\u0439\u0441\u044b \u0447\u0430\u0441\u0442\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u0435\u0435 \u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u0441\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e reference answer. \u0412\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0441\u0442\u0435\u043f\u0435\u043d\u043d\u043e \u0441\u043e\u0431\u0438\u0440\u0430\u0442\u044c:<\/p>\n<ul>\n<li>\n<p>\u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u044b;<\/p>\n<\/li>\n<li>\n<p>\u0442\u0438\u043f\u043e\u0432\u044b\u0435 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0438;<\/p>\n<\/li>\n<li>\n<p>\u0433\u0440\u0430\u043d\u0438\u0447\u043d\u044b\u0435 \u0441\u043b\u0443\u0447\u0430\u0438;<\/p>\n<\/li>\n<li>\n<p>\u043d\u0435\u043e\u0434\u043d\u043e\u0437\u043d\u0430\u0447\u043d\u044b\u0435 \u0432\u043e\u043f\u0440\u043e\u0441\u044b;<\/p>\n<\/li>\n<li>\n<p>\u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u0434\u043b\u044f\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0435 \u043d\u0435\u00a0\u0445\u0432\u0430\u0442\u0430\u0435\u0442 \u0434\u0430\u043d\u043d\u044b\u0445;<\/p>\n<\/li>\n<li>\n<p>\u043e\u0448\u0438\u0431\u043a\u0438, \u0443\u0436\u0435 \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u043d\u044b\u0435 \u0432\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d\u0435.<\/p>\n<\/li>\n<\/ul>\n<p>\u041f\u043e\u0441\u043b\u0435\u0434\u043d\u044f\u044f \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0432\u0430\u0436\u043d\u0430: \u043d\u0430\u0439\u0434\u0435\u043d\u043d\u044b\u0439 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u043c \u0431\u0430\u0433 \u0434\u043e\u043b\u0436\u0435\u043d \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c\u0441\u044f \u043d\u043e\u0432\u044b\u043c regression case. \u0418\u043d\u0430\u0447\u0435 \u043a\u043e\u043c\u0430\u043d\u0434\u0430 \u0440\u0438\u0441\u043a\u0443\u0435\u0442 \u0447\u0438\u043d\u0438\u0442\u044c \u043e\u0434\u043d\u0443 \u0438 \u0442\u0443\u00a0\u0436\u0435 \u043e\u0448\u0438\u0431\u043a\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0440\u0430\u0437.<\/p>\n<h3>\u041a\u043e\u0434, \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u0438 LLM\u2011\u0441\u0443\u0434\u044c\u044f<\/h3>\n<p>\u041e\u0431\u044b\u0447\u043d\u043e \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043a\u043e\u043c\u0431\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0442\u0438\u043f\u043e\u0432 \u043f\u0440\u043e\u0432\u0435\u0440\u043e\u043a. \u0412\u0441\u0451, \u0447\u0442\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0434\u0451\u0436\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043a\u043e\u0434\u043e\u043c, \u043b\u0443\u0447\u0448\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043a\u043e\u0434\u043e\u043c:<\/p>\n<pre><code class=\"python\">assert valid_json(response)assert response.tool == \"calendar.update_event\"assert response.currency == \"RUB\"<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0412\u044b\u0437\u044b\u0432\u0430\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u0443\u044e LLM \u0440\u0430\u0434\u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u0432\u0430\u043b\u0438\u0434\u043d\u043e\u0441\u0442\u0438 JSON \u043d\u0435\u0442 \u0441\u043c\u044b\u0441\u043b\u0430. \u0414\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0431\u0443\u0434\u0435\u0442 \u0434\u0435\u0448\u0435\u0432\u043b\u0435,\u00a0\u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0438 \u0432\u043e\u0441\u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u043c\u0435\u0435.<br \/>\u0414\u043b\u044f\u00a0\u0441\u043c\u044b\u0441\u043b\u043e\u0432\u044b\u0445 \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432 \u043c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u0438\u043b\u0438\u00a0LLM\u2011as\u2011a\u2011Judge. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, judge \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0432\u043e\u043f\u0440\u043e\u0441 \u0438 \u043e\u0442\u0432\u0435\u0442 \u043c\u043e\u0434\u0435\u043b\u0438:<\/p>\n<pre><code>\u0412\u043e\u043f\u0440\u043e\u0441:{input}\u041e\u0442\u0432\u0435\u0442:{answer}\u041e\u0446\u0435\u043d\u0438 correctness \u043e\u0442 1 \u0434\u043e 5.\u0412\u0435\u0440\u043d\u0438 JSON:{  \"score\": 1-5,  \"reason\": \"...\"}<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u0434\u043e\u0431\u0435\u043d \u0438 \u0445\u043e\u0440\u043e\u0448\u043e \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0438\u0440\u0443\u0435\u0442\u0441\u044f, \u043d\u043e\u00a0judge \u0442\u043e\u0436\u0435 \u043d\u0443\u0436\u043d\u043e \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c. \u041f\u0440\u0430\u043a\u0442\u0438\u0447\u043d\u044b\u0439 \u043c\u0438\u043d\u0438\u043c\u0443\u043c\u00a0\u2014 \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u0440\u0430\u0437\u043c\u0435\u0442\u0438\u0442\u044c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u0441\u0438\u043b\u0430\u043c\u0438 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432, \u043f\u0440\u043e\u0433\u043d\u0430\u0442\u044c \u0435\u0451 \u0447\u0435\u0440\u0435\u0437 judge \u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0442\u044c \u043e\u0446\u0435\u043d\u043a\u0438.<br \/>\u0415\u0441\u043b\u0438 judge \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0440\u0430\u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0441\u00a0\u043b\u044e\u0434\u044c\u043c\u0438 \u043d\u0430\u00a0\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u043e\u043c \u043a\u043b\u0430\u0441\u0441\u0435 \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432, \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430 \u0443\u0436\u0435 \u043d\u0435\u00a0\u0432\u00a0\u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438. \u041f\u043e\u043b\u0435\u0437\u043d\u043e \u0442\u0430\u043a\u0436\u0435 \u043c\u0435\u043d\u044f\u0442\u044c \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432, \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0434\u043b\u0438\u043d\u044b \u043e\u0442\u0432\u0435\u0442\u0430 \u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u043e\u0446\u0435\u043d\u043e\u043a \u043f\u043e\u0432\u0442\u043e\u0440\u043d\u044b\u043c\u0438 \u043f\u0440\u043e\u0433\u043e\u043d\u0430\u043c\u0438.<\/p>\n<figure class=\"full-width \"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/89c\/e37\/e01\/89ce37e01acf5aba61c5787cf1565000.png\" alt=\"\u041f\u0430\u0439\u043f\u043b\u0430\u0439\u043d LLM-as-a-Judge \u0438 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0447\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0435\" width=\"1672\" height=\"941\" sizes=\"auto, (max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/upload_files\/89c\/e37\/e01\/89ce37e01acf5aba61c5787cf1565000.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/89c\/e37\/e01\/89ce37e01acf5aba61c5787cf1565000.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>\u041f\u0430\u0439\u043f\u043b\u0430\u0439\u043d LLM\u2011as\u2011a\u2011Judge \u0438 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u043a\u0430 \u043f\u043e\u00a0\u0447\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0435<\/figcaption><\/div>\n<\/figure>\n<h3>\u0421\u0440\u0435\u0434\u043d\u0435\u0435 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043c\u043e\u0436\u0435\u0442 \u0441\u043a\u0440\u044b\u0432\u0430\u0442\u044c \u043a\u0440\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044e<\/h3>\n<p>\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, baseline \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b \u0442\u0430\u043a:<\/p>\n<pre><code>Prompt v17Overall: 82%Finance: 91%Support: 80%<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041f\u043e\u0441\u043b\u0435 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f prompt \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438:<\/p>\n<pre><code>Prompt v18Overall: 86%Finance: 73%Support: 92%<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0426\u0438\u0444\u0440\u044b \u0443\u0441\u043b\u043e\u0432\u043d\u044b\u0435, \u043d\u043e\u00a0\u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044f \u0432\u043f\u043e\u043b\u043d\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u0430\u044f. \u0421\u0440\u0435\u0434\u043d\u044f\u044f \u043e\u0446\u0435\u043d\u043a\u0430 \u0432\u044b\u0440\u043e\u0441\u043b\u0430 \u0441 82\u00a0\u0434\u043e 86\u00a0\u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043e\u0432. \u0415\u0441\u043b\u0438 \u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430\u00a0\u043d\u0435\u0451, \u043d\u043e\u0432\u0430\u044f \u0432\u0435\u0440\u0441\u0438\u044f \u043b\u0443\u0447\u0448\u0435. \u041f\u0440\u0438\u00a0\u044d\u0442\u043e\u043c \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0435 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0438 \u043f\u0440\u043e\u0441\u0435\u043b\u0438 \u0441 91\u00a0\u0434\u043e 73\u00a0\u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043e\u0432.<br \/>\u0415\u0441\u043b\u0438 Finance\u00a0\u2014 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u044b\u0439 \u0440\u0430\u0437\u0434\u0435\u043b \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u0430, \u0442\u0430\u043a\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043d\u0435\u043b\u044c\u0437\u044f. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043d\u0443\u0436\u043d\u044b:<\/p>\n<ul>\n<li>\n<p>\u0437\u0430\u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 baseline;<\/p>\n<\/li>\n<li>\n<p>\u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0430 \u043c\u0435\u0442\u0440\u0438\u043a \u043f\u043e\u00a0\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c \u0438 \u0443\u0440\u043e\u0432\u043d\u044e \u0440\u0438\u0441\u043a\u0430;<\/p>\n<\/li>\n<li>\n<p>\u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0439 regression dataset \u0434\u043b\u044f\u00a0\u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u044b\u0445 \u0432\u0435\u0440\u0441\u0438\u0439;<\/p>\n<\/li>\n<li>\n<p>\u043f\u043e\u0440\u043e\u0433\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0431\u043b\u043e\u043a\u0438\u0440\u0443\u044e\u0442 \u0440\u0435\u043b\u0438\u0437.<\/p>\n<\/li>\n<\/ul>\n<p>\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:<\/p>\n<pre><code class=\"yaml\">correctness: \"&gt;= 0.85\"faithfulness: \"&gt;= 0.90\"critical_errors: 0<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u0415\u0441\u043b\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u043d\u0435\u00a0\u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u044b, \u0441\u0431\u043e\u0440\u043a\u0430 \u043d\u0435\u00a0\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0434\u0430\u043b\u044c\u0448\u0435. \u0422\u043e\u043b\u044c\u043a\u043e \u0432\u00a0\u044d\u0442\u043e\u0442 \u043c\u043e\u043c\u0435\u043d\u0442 evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442 \u0432\u043b\u0438\u044f\u0442\u044c \u043d\u0430\u00a0\u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u0430, \u0430\u00a0\u043d\u0435\u00a0\u043f\u0440\u043e\u0441\u0442\u043e \u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0433\u0440\u0430\u0444\u0438\u043a\u0438.<\/p>\n<h3>\u0423\u00a0\u0430\u0433\u0435\u043d\u0442\u0430 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0442\u0435\u043a\u0441\u0442 \u0435\u0449\u0451 \u043d\u0435\u00a0\u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u0443\u0441\u043f\u0435\u0445<\/h3>\n<p>\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0437\u0430\u043f\u0440\u043e\u0441:<\/p>\n<blockquote>\n<p>\u041f\u0435\u0440\u0435\u043d\u0435\u0441\u0438 \u043c\u043e\u044e \u0432\u0441\u0442\u0440\u0435\u0447\u0443 \u0441\u00a0\u0418\u0432\u0430\u043d\u043e\u043c \u043d\u0430\u00a0\u0437\u0430\u0432\u0442\u0440\u0430 \u043f\u043e\u0441\u043b\u0435 15:00.<\/p>\n<\/blockquote>\n<p>\u0410\u0433\u0435\u043d\u0442 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442:<\/p>\n<blockquote>\n<p>\u0413\u043e\u0442\u043e\u0432\u043e, \u0432\u0441\u0442\u0440\u0435\u0447\u0430 \u043f\u0435\u0440\u0435\u043d\u0435\u0441\u0435\u043d\u0430.<\/p>\n<\/blockquote>\n<p>\u041f\u043e\u00a0\u0442\u0435\u043a\u0441\u0442\u0443 \u0432\u0441\u0451 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043e\u0442\u043b\u0438\u0447\u043d\u043e. \u041d\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0438 \u043c\u043e\u0433\u043b\u043e \u043f\u0440\u043e\u0438\u0437\u043e\u0439\u0442\u0438 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0435:<\/p>\n<pre><code>\u041d\u0430\u0439\u0442\u0438 \u0432\u0441\u0442\u0440\u0435\u0447\u0443    \u2193\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044c    \u2193\u041e\u0448\u0438\u0431\u043a\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430    \u2193\u00ab\u0413\u043e\u0442\u043e\u0432\u043e\u00bb<\/code><div class=\"code-explainer\"><a href=\"https:\/\/sourcecraft.dev\/\" class=\"tm-button code-explainer__link\" style=\"visibility: hidden;\"><img style=\"width:14px;height:14px;object-fit:cover;object-position:left;\"\/><\/a><\/div><\/pre>\n<p>\u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0443\u00a0AI\u2011\u0430\u0433\u0435\u043d\u0442\u0430 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442:<\/p>\n<ul>\n<li>\n<p>\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439\u00a0\u043b\u0438 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u00a0\u0431\u044b\u043b \u0432\u044b\u0431\u0440\u0430\u043d;<\/p>\n<\/li>\n<li>\n<p>\u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u0435\u00a0\u043b\u0438 \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0435\u0440\u0435\u0434\u0430\u043d\u044b;<\/p>\n<\/li>\n<li>\n<p>\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u0430\u00a0\u043b\u0438 \u043e\u0448\u0438\u0431\u043a\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430;<\/p>\n<\/li>\n<li>\n<p>\u043d\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u043b\u00a0\u043b\u0438 \u0430\u0433\u0435\u043d\u0442 \u0432\u0442\u043e\u0440\u0443\u044e \u0432\u0441\u0442\u0440\u0435\u0447\u0443 \u0432\u043c\u0435\u0441\u0442\u043e \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u043f\u0435\u0440\u0432\u043e\u0439;<\/p>\n<\/li>\n<li>\n<p>\u0438\u0437\u043c\u0435\u043d\u0438\u043b\u043e\u0441\u044c\u00a0\u043b\u0438 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u0435 \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u0435 \u0441\u0438\u0441\u0442\u0435\u043c\u044b.<\/p>\n<\/li>\n<\/ul>\n<p>\u041e\u0434\u043d\u0430 \u0438\u0437\u00a0\u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a \u0437\u0434\u0435\u0441\u044c\u00a0\u2014 <strong>Task Success<\/strong>: \u0432\u044b\u043f\u043e\u043b\u043d\u0438\u043b\u00a0\u043b\u0438 \u0430\u0433\u0435\u043d\u0442 \u0437\u0430\u0434\u0430\u0447\u0443 \u0432\u00a0\u0441\u0440\u0435\u0434\u0435, \u0430\u00a0\u043d\u0435\u00a0\u043f\u0440\u043e\u0441\u0442\u043e \u0443\u0431\u0435\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u043e\u043e\u0431\u0449\u0438\u043b \u043e\u0431\u00a0\u0443\u0441\u043f\u0435\u0445\u0435. \u0418\u043c\u0435\u043d\u043d\u043e \u043e\u0446\u0435\u043d\u043a\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0432\u00a0\u0438\u043d\u0442\u0435\u0440\u0430\u043a\u0442\u0438\u0432\u043d\u044b\u0445 \u0441\u0440\u0435\u0434\u0430\u0445 \u043f\u043e\u0441\u0432\u044f\u0449\u0451\u043d, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, AgentBench.<\/p>\n<h3>Evaluation\u00a0\u2014 \u044d\u0442\u043e \u0446\u0438\u043a\u043b, \u0430\u00a0\u043d\u0435\u00a0\u0444\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439 \u044d\u043a\u0437\u0430\u043c\u0435\u043d<\/h3>\n<p>\u0420\u0430\u0431\u043e\u0447\u0438\u0439 \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u00a0\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u0439 \u0438 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432, \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0447\u0435\u0440\u0435\u0437 \u0434\u0430\u0442\u0430\u0441\u0435\u0442, evaluators, \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u0438 baseline, \u0430\u00a0\u0437\u0430\u0442\u0435\u043c \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0447\u0430\u0441\u0442\u044c\u044e regression testing \u0438 \u0440\u0435\u043b\u0438\u0437\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0430. \u041f\u043e\u0441\u043b\u0435 \u0440\u0435\u043b\u0438\u0437\u0430 \u0446\u0438\u043a\u043b \u043d\u0435\u00a0\u0437\u0430\u043a\u0430\u043d\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f. \u041d\u043e\u0432\u044b\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u044e\u0442\u0441\u044f \u0432\u00a0dataset \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u044e\u0442\u0441\u044f \u0432\u00a0regression cases.<\/p>\n<figure class=\"full-width \"><img decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/aea\/dc1\/462\/aeadc1462e3c829ec93184a47cdc52ec.png\" alt=\"\u041f\u043e\u043b\u043d\u044b\u0439 \u0436\u0438\u0437\u043d\u0435\u043d\u043d\u044b\u0439 \u0446\u0438\u043a\u043b evaluation \u0434\u043b\u044f LLM-\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f\" width=\"1672\" height=\"941\" sizes=\"auto, (max-width: 780px) 100vw, 50vw\" srcset=\"https:\/\/habrastorage.org\/r\/w780\/getpro\/habr\/upload_files\/aea\/dc1\/462\/aeadc1462e3c829ec93184a47cdc52ec.png 780w,&#10;       https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/aea\/dc1\/462\/aeadc1462e3c829ec93184a47cdc52ec.png 781w\" loading=\"lazy\" decode=\"async\"\/><\/p>\n<div><figcaption>\u041f\u043e\u043b\u043d\u044b\u0439 \u0436\u0438\u0437\u043d\u0435\u043d\u043d\u044b\u0439 \u0446\u0438\u043a\u043b evaluation \u0434\u043b\u044f\u00a0LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f<\/figcaption><\/div>\n<\/figure>\n<p>\u0414\u043b\u044f\u00a0\u0441\u0442\u0430\u0440\u0442\u0430 \u043d\u0435\u00a0\u043d\u0443\u0436\u043d\u0430 \u043e\u0433\u0440\u043e\u043c\u043d\u0430\u044f \u043f\u043b\u0430\u0442\u0444\u043e\u0440\u043c\u0430. \u0414\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e:<\/p>\n<ol>\n<li>\n<p>\u0421\u043e\u0431\u0440\u0430\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0442\u0435\u043d \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432, \u043f\u043e\u0445\u043e\u0436\u0438\u0445 \u043d\u0430\u00a0\u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435.<\/p>\n<\/li>\n<li>\n<p>\u0414\u043b\u044f\u00a0\u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043e\u043f\u0438\u0441\u0430\u0442\u044c \u043e\u0436\u0438\u0434\u0430\u0435\u043c\u043e\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435, \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044e \u0438 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e\u0441\u0442\u044c.<\/p>\n<\/li>\n<li>\n<p>\u0414\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0432\u043e\u0439\u0441\u0442\u0432\u0430 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043a\u043e\u0434\u043e\u043c.<\/p>\n<\/li>\n<li>\n<p>\u0414\u043b\u044f\u00a0\u0441\u043c\u044b\u0441\u043b\u043e\u0432\u044b\u0445 \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432 \u0434\u043e\u0431\u0430\u0432\u0438\u0442\u044c \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u0438\u043b\u0438\u00a0\u043e\u0434\u0438\u043d\u2011\u0434\u0432\u0430 \u043e\u0442\u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 LLM\u2011judge.<\/p>\n<\/li>\n<li>\n<p>\u0417\u0430\u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u0442\u044c baseline.<\/p>\n<\/li>\n<li>\n<p>\u0417\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043e\u0434\u0438\u043d \u0438 \u0442\u043e\u0442\u00a0\u0436\u0435 \u043d\u0430\u0431\u043e\u0440 \u043f\u043e\u0441\u043b\u0435 \u0437\u0430\u043c\u0435\u0442\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439 \u043c\u043e\u0434\u0435\u043b\u0438, prompt, retrieval \u0438\u043b\u0438\u00a0\u043b\u043e\u0433\u0438\u043a\u0438 \u0430\u0433\u0435\u043d\u0442\u0430.<\/p>\n<\/li>\n<li>\n<p>\u041d\u0435\u00a0\u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u0432\u0435\u0440\u0441\u0438\u044e \u043f\u0440\u0438\u00a0\u043f\u0440\u043e\u0432\u0430\u043b\u0435 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u044b\u0445 \u043f\u043e\u0440\u043e\u0433\u043e\u0432.<\/p>\n<\/li>\n<\/ol>\n<p>\u042d\u0442\u043e\u0433\u043e \u0443\u0436\u0435 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e, \u0447\u0442\u043e\u0431\u044b \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u043e\u0442\u00a0\u0444\u0440\u0430\u0437\u044b:<\/p>\n<blockquote>\n<p>\u041f\u043e\u00a0\u043e\u0449\u0443\u0449\u0435\u043d\u0438\u044f\u043c \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u043b\u0443\u0447\u0448\u0435.<\/p>\n<\/blockquote>\n<p>\u043a\u00a0\u0438\u043d\u0436\u0435\u043d\u0435\u0440\u043d\u043e\u043c\u0443 \u0432\u044b\u0432\u043e\u0434\u0443:<\/p>\n<blockquote>\n<p>\u041e\u0431\u0449\u0430\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0440\u043e\u0441\u043b\u0430, \u043d\u043e\u00a0\u0432\u00a0\u0441\u0446\u0435\u043d\u0430\u0440\u0438\u044f\u0445 \u0432\u043e\u0437\u0432\u0440\u0430\u0442\u0430 \u043f\u043e\u044f\u0432\u0438\u043b\u0430\u0441\u044c \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u0435\u0440\u0441\u0438\u044e \u043f\u043e\u043a\u0430 \u043d\u0435\u00a0\u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0435\u043c.<\/p>\n<\/blockquote>\n<h3>\u0427\u0442\u043e\u00a0\u0434\u0430\u043b\u044c\u0448\u0435<\/h3>\n<p>\u0417\u0430\u00a0\u0440\u0430\u043c\u043a\u0430\u043c\u0438 \u043e\u0434\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u043e\u0441\u0442\u0430\u043b\u0438\u0441\u044c \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0435 golden dataset, \u0432\u044b\u0431\u043e\u0440 \u043c\u0435\u0442\u0440\u0438\u043a \u0434\u043b\u044f\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 RAG\u2011\u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440, \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u043a\u0430 LLM\u2011as\u2011a\u2011Judge, adversarial cases, \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 tool calls \u0438 \u043f\u043e\u043b\u043d\u043e\u0446\u0435\u043d\u043d\u043e\u0435 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 AI\u2011\u0430\u0433\u0435\u043d\u0442\u043e\u0432.<br \/>\u042d\u0442\u0438 \u0442\u0435\u043c\u044b \u043f\u043e\u0448\u0430\u0433\u043e\u0432\u043e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u044e\u0442\u0441\u044f \u0432\u00a0\u043a\u0443\u0440\u0441\u0435 <a href=\"https:\/\/stepik.org\/course\/295284\/info\" rel=\"noopener noreferrer nofollow\">\u00abLLM Evaluation: \u043e\u0446\u0435\u043d\u043a\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 RAG \u0438 AI\u2011\u0430\u0433\u0435\u043d\u0442\u043e\u0432\u00bb<\/a>: \u043e\u0442\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0445 \u043d\u0430\u0431\u043e\u0440\u043e\u0432 \u0438 \u043c\u0435\u0442\u0440\u0438\u043a \u0434\u043e\u00a0judges, RAG \u0438 \u0430\u0433\u0435\u043d\u0442\u043d\u044b\u0445 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0435\u0432.<br \/>\u0413\u043b\u0430\u0432\u043d\u0430\u044f \u043c\u044b\u0441\u043b\u044c \u043f\u0440\u0438\u00a0\u044d\u0442\u043e\u043c \u043e\u0441\u0442\u0430\u0451\u0442\u0441\u044f \u043f\u0440\u043e\u0441\u0442\u043e\u0439: LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0435 \u043d\u0435\u043b\u044c\u0437\u044f \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043d\u0430\u00a0\u043e\u0441\u043d\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u0435\u043d\u0438\u044f \u043e\u0442\u00a0\u0434\u0435\u0441\u044f\u0442\u0438 \u0443\u0434\u0430\u0447\u043d\u044b\u0445 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432. \u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0434\u043e\u043b\u0436\u043d\u043e\u00a0\u0431\u044b\u0442\u044c \u0438\u0437\u043c\u0435\u0440\u0438\u043c\u044b\u043c, \u0441\u0440\u0430\u0432\u043d\u0438\u043c\u044b\u043c \u0441\u00a0baseline \u0438 \u0441\u0432\u044f\u0437\u0430\u043d\u043e \u0441\u00a0\u0440\u0435\u0448\u0435\u043d\u0438\u0435\u043c \u043e\u00a0\u0440\u0435\u043b\u0438\u0437\u0435.<\/p>\n<h3>\u0418\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438<\/h3>\n<ol>\n<li>\n<p>Pouya Pezeshkpour, Estevam Hruschka. <a href=\"https:\/\/aclanthology.org\/2024.findings-naacl.130\/\" rel=\"noopener noreferrer nofollow\">Large Language Models Sensitivity to The Order of Options in Multiple\u2011Choice Questions<\/a>. Findings of NAACL, 2024.<\/p>\n<\/li>\n<li>\n<p>Lianmin Zheng et al. <a href=\"https:\/\/arxiv.org\/abs\/2306.05685\" rel=\"noopener noreferrer nofollow\">Judging LLM\u2011as\u2011a\u2011Judge with MT\u2011Bench and Chatbot Arena<\/a>. NeurIPS, 2023.<\/p>\n<\/li>\n<li>\n<p>Shahul Es et al. <a href=\"https:\/\/aclanthology.org\/2024.eacl-demo.16\/\" rel=\"noopener noreferrer nofollow\">RAGAS: Automated Evaluation of Retrieval Augmented Generation<\/a>. EACL System Demonstrations, 2024.<\/p>\n<\/li>\n<li>\n<p>Xiao Liu et al. <a href=\"https:\/\/arxiv.org\/abs\/2308.03688\" rel=\"noopener noreferrer nofollow\">AgentBench: Evaluating LLMs as Agents<\/a>. ICLR, 2024.<\/p>\n<\/li>\n<\/ol>\n<\/div>\n<p>\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/1074356\/\">https:\/\/habr.com\/ru\/articles\/1074356\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u0412 2024\u00a0\u0433\u043e\u0434\u0443 \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0438 \u043f\u0440\u043e\u0432\u0435\u043b\u0438 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u044d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442: \u0432\u0437\u044f\u043b\u0438 \u0442\u0435\u0441\u0442\u044b \u0441\u00a0\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u0430\u043c\u0438 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u0438 \u043d\u0430\u0447\u0430\u043b\u0438 \u043c\u0435\u043d\u044f\u0442\u044c \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b \u043c\u0435\u0441\u0442\u0430\u043c\u0438. \u0421\u0430\u043c\u0438 \u0432\u043e\u043f\u0440\u043e\u0441\u044b \u0438 \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u043d\u0438\u0435 \u043e\u0442\u0432\u0435\u0442\u043e\u0432 \u043e\u0441\u0442\u0430\u0432\u0430\u043b\u0438\u0441\u044c \u043f\u0440\u0435\u0436\u043d\u0438\u043c\u0438. \u041a\u0430\u0437\u0430\u043b\u043e\u0441\u044c\u00a0\u0431\u044b, \u043a\u0430\u043a\u0430\u044f \u0440\u0430\u0437\u043d\u0438\u0446\u0430, \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0432\u0430\u0440\u0438\u0430\u043d\u0442 \u043f\u043e\u0434\u00a0\u0431\u0443\u043a\u0432\u043e\u0439 A \u0438\u043b\u0438\u00a0\u043f\u043e\u0434\u00a0\u0431\u0443\u043a\u0432\u043e\u0439 C?\u041e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u0435\u0441\u0442\u044c. \u0412\u00a0\u0440\u0430\u0431\u043e\u0442\u0435 Large Language Models Sensitivity to The Order of Options in Multiple\u2011Choice Questions \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0438 \u0437\u0430\u043c\u0435\u0442\u043d\u044b\u0439 \u0440\u0430\u0437\u0431\u0440\u043e\u0441 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043f\u0440\u0438\u00a0\u043f\u0435\u0440\u0435\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043e\u0432. \u041d\u0430\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 \u0441\u043e\u0447\u0435\u0442\u0430\u043d\u0438\u044f\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0438 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432 \u0440\u0430\u0437\u0440\u044b\u0432 \u043e\u043a\u0430\u0437\u0430\u043b\u0441\u044f \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u0438\u043c. \u0423\u0436\u0435 \u043d\u0435\u043f\u0440\u0438\u044f\u0442\u043d\u043e. \u041d\u043e\u00a0\u0434\u0430\u043b\u044c\u0448\u0435 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u0435\u0435.\u041e\u0442\u0432\u0435\u0442\u044b LLM \u0447\u0430\u0441\u0442\u043e \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e\u0442 \u0441\u00a0\u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0434\u0440\u0443\u0433\u043e\u0439 LLM. \u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u043d\u0430\u0437\u044b\u0432\u0430\u044e\u0442 LLM\u2011as\u2011a\u2011Judge: \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0432\u043e\u043f\u0440\u043e\u0441, \u044d\u0442\u0430\u043b\u043e\u043d \u0438\u043b\u0438\u00a0\u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0438, \u043e\u0442\u0432\u0435\u0442 \u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c\u043e\u0439 \u0441\u0438\u0441\u0442\u0435\u043c\u044b \u0438 \u0432\u044b\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u043e\u0446\u0435\u043d\u043a\u0443. \u041e\u0434\u043d\u0430\u043a\u043e \u0438 \u0442\u0430\u043a\u043e\u0439 \u0441\u0443\u0434\u044c\u044f \u043d\u0435\u00a0\u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u043e\u0431\u044a\u0435\u043a\u0442\u0438\u0432\u0435\u043d. \u0412\u00a0\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u0438 Judging LLM\u2011as\u2011a\u2011Judge with MT\u2011Bench and Chatbot Arena \u043e\u043f\u0438\u0441\u0430\u043d\u044b, \u0432\u00a0\u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438, \u043f\u043e\u0437\u0438\u0446\u0438\u043e\u043d\u043d\u043e\u0435 \u0441\u043c\u0435\u0449\u0435\u043d\u0438\u0435 \u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u0447\u0442\u0435\u043d\u0438\u0435 \u0431\u043e\u043b\u0435\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432.\u041f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043b\u044e\u0431\u043e\u043f\u044b\u0442\u043d\u0430\u044f \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u044f: \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043e\u0434\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0437\u0430\u0432\u0438\u0441\u0438\u0442 \u043e\u0442\u00a0\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u043a\u0438 \u0438 \u043f\u043e\u0440\u044f\u0434\u043a\u0430 \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432, \u0430\u00a0\u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0435\u043c \u043c\u044b \u0435\u0451 \u0434\u0440\u0443\u0433\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u044c\u044e\u00a0\u2014 \u0441\u043e \u0441\u0432\u043e\u0438\u043c\u0438 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044f\u043c\u0438. \u0414\u043b\u044f\u00a0\u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u0439 \u044d\u0442\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u044b\u0439 \u044d\u0444\u0444\u0435\u043a\u0442. \u0414\u043b\u044f\u00a0\u043a\u043e\u043c\u0430\u043d\u0434\u044b, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0435\u0442 AI\u2011\u0444\u0443\u043d\u043a\u0446\u0438\u044e \u0432\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d,\u00a0\u2014 \u043e\u0431\u044b\u0447\u043d\u0430\u044f \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u043d\u0430\u044f \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430.\u041f\u043e\u0447\u0435\u043c\u0443 \u0440\u0443\u0447\u043d\u043e\u0439 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u041f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u0438\u043c \u0442\u0438\u043f\u0438\u0447\u043d\u044b\u0439 \u0440\u0435\u043b\u0438\u0437. \u041a\u043e\u043c\u0430\u043d\u0434\u0430 \u0438\u0437\u043c\u0435\u043d\u0438\u043b\u0430 system prompt, \u0437\u0430\u043c\u0435\u043d\u0438\u043b\u0430 \u043c\u043e\u0434\u0435\u043b\u044c, \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0430 reranker \u0438\u043b\u0438\u00a0\u0434\u0430\u043b\u0430 \u0430\u0433\u0435\u043d\u0442\u0443 \u043d\u043e\u0432\u044b\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442. \u0420\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a \u043e\u0442\u043a\u0440\u044b\u043b \u0447\u0430\u0442, \u0437\u0430\u0434\u0430\u043b \u0434\u0435\u0441\u044f\u0442\u044c \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432 \u0438 \u043f\u0440\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u043b \u043e\u0442\u0432\u0435\u0442\u044b. \u0412\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043f\u0440\u0438\u043b\u0438\u0447\u043d\u043e. \u041a\u0430\u0436\u0435\u0442\u0441\u044f, \u0441\u0442\u0430\u043b\u043e \u043b\u0443\u0447\u0448\u0435. \u0421\u043b\u043e\u0432\u043e \u00ab\u043a\u0430\u0436\u0435\u0442\u0441\u044f\u00bb \u0437\u0434\u0435\u0441\u044c \u0438 \u0435\u0441\u0442\u044c \u0433\u043b\u0430\u0432\u043d\u0430\u044f \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430. \u0421\u00a0\u043e\u0431\u044b\u0447\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c \u0432\u0441\u0451 \u043f\u0440\u043e\u0441\u0442\u043e:calculate_discount(1000, 10)\u041e\u0436\u0438\u0434\u0430\u0435\u043c\u044b\u0439 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442:900\u0415\u0441\u043b\u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0432\u0435\u0440\u043d\u0443\u043b\u0430 850, \u0442\u0435\u0441\u0442 \u0443\u043f\u0430\u043b.\u0422\u0435\u043f\u0435\u0440\u044c \u0432\u043e\u0437\u044c\u043c\u0451\u043c \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0433\u043e AI\u2011\u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442\u0430. \u0412\u00a0\u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043e:\u0417\u0430\u044f\u0432\u043a\u0443 \u043d\u0430\u00a0\u043e\u0442\u043f\u0443\u0441\u043a \u043d\u0443\u0436\u043d\u043e \u0441\u043e\u0437\u0434\u0430\u0442\u044c \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0437\u0430 14\u00a0\u0434\u043d\u0435\u0439.\u041c\u043e\u0434\u0435\u043b\u044c \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442:\u041f\u043e\u0434\u0430\u0439\u0442\u0435 \u0437\u0430\u044f\u0432\u043a\u0443 \u043d\u0435\u00a0\u043f\u043e\u0437\u0434\u043d\u0435\u0435 \u0447\u0435\u043c \u0437\u0430\u00a0\u0434\u0432\u0435 \u043d\u0435\u0434\u0435\u043b\u0438 \u0434\u043e\u00a0\u043d\u0430\u0447\u0430\u043b\u0430 \u043e\u0442\u043f\u0443\u0441\u043a\u0430.\u0421\u0442\u0440\u043e\u043a\u0438 \u0440\u0430\u0437\u043d\u044b\u0435. \u041e\u0431\u044b\u0447\u043d\u044b\u0439 Exact Match \u0441\u043e\u0447\u0442\u0451\u0442 \u043e\u0442\u0432\u0435\u0442 \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u043c. \u0427\u0435\u043b\u043e\u0432\u0435\u043a \u0441\u043a\u0430\u0436\u0435\u0442, \u0447\u0442\u043e\u00a0\u0441\u043c\u044b\u0441\u043b \u0441\u043e\u0445\u0440\u0430\u043d\u0451\u043d.\u0417\u043d\u0430\u0447\u0438\u0442, \u0432\u00a0LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0438 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0432\u043f\u0430\u0434\u0435\u043d\u0438\u0435 \u0442\u0435\u043a\u0441\u0442\u0430, \u043d\u043e\u00a0\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u0445 \u0441\u0432\u043e\u0439\u0441\u0442\u0432 \u043e\u0442\u0432\u0435\u0442\u0430:Correctness\u00a0\u2014 \u0432\u0435\u0440\u043d\u044b\u00a0\u043b\u0438 \u0444\u0430\u043a\u0442\u044b;Completeness\u00a0\u2014 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u00a0\u043b\u0438 \u043f\u043e\u043b\u043d\u043e \u0434\u0430\u043d \u043e\u0442\u0432\u0435\u0442;Relevance\u00a0\u2014 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442\u00a0\u043b\u0438 \u043c\u043e\u0434\u0435\u043b\u044c \u0438\u043c\u0435\u043d\u043d\u043e \u043d\u0430\u00a0\u0437\u0430\u0434\u0430\u043d\u043d\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441;Faithfulness\u00a0\u2014 \u043e\u043f\u0438\u0440\u0430\u0435\u0442\u0441\u044f\u00a0\u043b\u0438 \u043e\u0442\u0432\u0435\u0442 \u043d\u0430\u00a0\u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u044b\u0439 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a, \u0431\u0435\u0437\u00a0\u0432\u044b\u0434\u0443\u043c\u0430\u043d\u043d\u044b\u0445 \u0434\u0435\u0442\u0430\u043b\u0435\u0439;Instruction Following\u00a0\u2014 \u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u044b\u00a0\u043b\u0438 \u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u044f \u043a\u00a0\u0444\u043e\u0440\u043c\u0430\u0442\u0443 \u0438 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044e.\u041e\u0434\u0438\u043d \u043e\u0442\u0432\u0435\u0442 \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u043c \u043f\u043e\u00a0\u0444\u0430\u043a\u0442\u0430\u043c, \u043d\u043e\u00a0\u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0432\u044b\u0434\u0443\u043c\u0430\u043d\u043d\u043e\u0435 \u0434\u043e\u043f\u043e\u043b\u043d\u0435\u043d\u0438\u0435. \u0418\u043b\u0438\u00a0\u0431\u044b\u0442\u044c \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u043c, \u043d\u043e\u00a0\u043d\u0430\u0440\u0443\u0448\u0430\u0442\u044c \u0442\u0440\u0435\u0431\u0443\u0435\u043c\u044b\u0439 JSON\u2011\u0444\u043e\u0440\u043c\u0430\u0442. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043e\u0434\u043d\u043e\u0439 \u043e\u0446\u0435\u043d\u043a\u0438 \u00ab\u0445\u043e\u0440\u043e\u0448\u043e \/ \u043f\u043b\u043e\u0445\u043e\u00bb \u043e\u0431\u044b\u0447\u043d\u043e \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e.\u041e\u0434\u0438\u043d \u043e\u0442\u0432\u0435\u0442 LLM \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043f\u043e\u00a0\u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c \u043d\u0435\u0437\u0430\u0432\u0438\u0441\u0438\u043c\u044b\u043c \u0438\u0437\u043c\u0435\u0440\u0435\u043d\u0438\u044f\u043c\u0412\u00a0RAG \u043d\u0443\u0436\u043d\u043e \u043e\u0442\u0434\u0435\u043b\u044f\u0442\u044c \u043f\u043e\u0438\u0441\u043a \u043e\u0442\u00a0\u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438\u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0445\u043e\u0440\u043e\u0448\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c \u0434\u0435\u043a\u043e\u043c\u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u0432\u0438\u0434\u043d\u0430 \u043d\u0430\u00a0RAG\u2011\u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0445. \u041f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c \u0437\u0430\u0434\u0430\u0451\u0442 \u0432\u043e\u043f\u0440\u043e\u0441 \u043f\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u043c\u0443 \u0440\u0435\u0433\u043b\u0430\u043c\u0435\u043d\u0442\u0443, \u0430\u00a0\u0430\u0441\u0441\u0438\u0441\u0442\u0435\u043d\u0442 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e. \u041f\u0435\u0440\u0432\u0430\u044f \u0440\u0435\u0430\u043a\u0446\u0438\u044f \u0447\u0430\u0441\u0442\u043e \u0437\u0432\u0443\u0447\u0438\u0442 \u0442\u0430\u043a: \u00ab\u043c\u043e\u0434\u0435\u043b\u044c \u043e\u043f\u044f\u0442\u044c \u0433\u0430\u043b\u043b\u044e\u0446\u0438\u043d\u0438\u0440\u0443\u0435\u0442\u00bb. \u041d\u043e\u00a0\u043f\u0440\u0438\u0447\u0438\u043d \u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e:\u043d\u0443\u0436\u043d\u044b\u0439 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u043d\u0435\u00a0\u043f\u043e\u043f\u0430\u043b \u0432\u00a0\u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0438\u0441\u043a\u0430;retriever \u043d\u0430\u0448\u0451\u043b \u0443\u0441\u0442\u0430\u0440\u0435\u0432\u0448\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e;\u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u0440\u0430\u0433\u043c\u0435\u043d\u0442 \u043f\u043e\u0442\u0435\u0440\u044f\u043b\u0441\u044f \u043f\u0440\u0438\u00a0chunking;\u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u0439 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442 \u043f\u043e\u043f\u0430\u043b \u0432\u00a0prompt, \u043d\u043e\u00a0\u043c\u043e\u0434\u0435\u043b\u044c \u0435\u0433\u043e \u043f\u0440\u043e\u0438\u0433\u043d\u043e\u0440\u0438\u0440\u043e\u0432\u0430\u043b\u0430;\u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0430 \u0443\u0442\u0432\u0435\u0440\u0436\u0434\u0435\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u0432\u00a0\u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442\u0435 \u043d\u0435\u00a0\u0431\u044b\u043b\u043e.\u0422\u043e\u043b\u044c\u043a\u043e \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0441\u043b\u0443\u0447\u0430\u044f \u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f \u043a\u00a0\u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438 \u043e\u0442\u0432\u0435\u0442\u0430. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 RAG \u043b\u0443\u0447\u0448\u0435 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043f\u043e\u00a0\u0447\u0430\u0441\u0442\u044f\u043c.\u0414\u043b\u044f\u00a0retrieval \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u044e\u0442 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438: \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, Recall@K, Hit Rate \u0438 MRR. \u041e\u043d\u0438 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0442, \u043d\u0430\u0448\u0451\u043b\u00a0\u043b\u0438 \u043f\u043e\u0438\u0441\u043a \u043d\u0443\u0436\u043d\u044b\u0439 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u0438 \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0432\u044b\u0441\u043e\u043a\u043e \u0442\u043e\u0442 \u043e\u043a\u0430\u0437\u0430\u043b\u0441\u044f \u0432\u00a0\u0432\u044b\u0434\u0430\u0447\u0435. \u041f\u043e\u0441\u043b\u0435 \u044d\u0442\u043e\u0433\u043e \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u044e\u0442 \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044e: correctness, faithfulness, relevance \u0438 \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u044c \u0441\u0441\u044b\u043b\u043e\u043a \u043d\u0430\u00a0\u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438. \u041f\u043e\u0434\u043e\u0431\u043d\u043e\u0435 \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 retrieval \u0438 generation \u043b\u0435\u0436\u0438\u0442 \u0438 \u0432\u00a0\u043e\u0441\u043d\u043e\u0432\u0435 RAGAS.\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c \u0441\u043f\u0440\u0430\u0448\u0438\u0432\u0430\u0435\u0442 \u043e\u00a0\u0441\u0440\u043e\u043a\u0435 \u0432\u043e\u0437\u0432\u0440\u0430\u0442\u0430 \u0442\u043e\u0432\u0430\u0440\u0430. \u0412\u00a0\u0431\u0430\u0437\u0435 \u0435\u0441\u0442\u044c \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442, \u0433\u0434\u0435 \u0443\u043a\u0430\u0437\u0430\u043d\u043e 14\u00a0\u0434\u043d\u0435\u0439.\u0415\u0441\u043b\u0438 retriever \u043d\u0435\u00a0\u043d\u0430\u0448\u0451\u043b \u044d\u0442\u043e\u0442 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442, \u043f\u0435\u0440\u0435\u0434 \u043d\u0430\u043c\u0438 Retrieval Failure. \u0415\u0441\u043b\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442 \u043f\u043e\u043f\u0430\u043b \u0432\u00a0prompt, \u0430\u00a0\u043c\u043e\u0434\u0435\u043b\u044c \u0432\u0441\u0451 \u0440\u0430\u0432\u043d\u043e \u043e\u0442\u0432\u0435\u0442\u0438\u043b\u0430 \u00ab30\u00a0\u0434\u043d\u0435\u0439\u00bb, \u044d\u0442\u043e \u0443\u0436\u0435 Generation \/ Faithfulness Failure.\u0414\u043b\u044f\u00a0\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u0440\u0430\u0437\u043d\u0438\u0446\u044b \u043d\u0435\u0442: \u043e\u043d \u043f\u043e\u043b\u0443\u0447\u0438\u043b \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442. \u0414\u043b\u044f\u00a0\u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0430 \u0440\u0430\u0437\u043d\u0438\u0446\u0430 \u043e\u0433\u0440\u043e\u043c\u043d\u0430\u044f, \u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e\u00a0\u0438\u0441\u043f\u0440\u0430\u0432\u043b\u044f\u0442\u044c \u043f\u0440\u0438\u0434\u0451\u0442\u0441\u044f \u0440\u0430\u0437\u043d\u044b\u0435 \u0447\u0430\u0441\u0442\u0438 \u0441\u0438\u0441\u0442\u0435\u043c\u044b.\u0414\u0438\u0430\u0433\u043d\u043e\u0441\u0442\u0438\u043a\u0430 \u0434\u0432\u0443\u0445 \u043a\u043b\u0430\u0441\u0441\u043e\u0432 \u043e\u0448\u0438\u0431\u043e\u043a \u0432\u00a0RAG\u2011\u0441\u0438\u0441\u0442\u0435\u043c\u0435Evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u043e\u0433\u043e \u043d\u0430\u0431\u043e\u0440\u0430Evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u043d\u0435\u00a0\u0441\u00a0\u0432\u044b\u0431\u043e\u0440\u0430 \u043c\u043e\u0434\u043d\u043e\u0439 \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u0438 \u043d\u0435\u00a0\u0441\u00a0\u043f\u043e\u0434\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u044f \u043e\u0447\u0435\u0440\u0435\u0434\u043d\u043e\u0433\u043e \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430. \u0421\u043d\u0430\u0447\u0430\u043b\u0430 \u043d\u0443\u0436\u0435\u043d dataset.\u041e\u0434\u0438\u043d \u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0439 \u043a\u0435\u0439\u0441 \u043c\u043e\u0436\u0435\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u0442\u0430\u043a:{  &#171;input&#187;: &#171;\u041c\u043e\u0433\u0443 \u043b\u0438 \u044f \u043e\u0442\u043c\u0435\u043d\u0438\u0442\u044c \u0431\u0440\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435?&#187;,  &#171;expected_behavior&#187;: &#171;\u0417\u0430\u043f\u0440\u043e\u0441\u0438\u0442\u044c \u0442\u0430\u0440\u0438\u0444 \u0438\u043b\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u0431\u0440\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f&#187;,  &#171;category&#187;: &#171;cancellation&#187;,  &#171;risk&#187;: &#171;medium&#187;}\u0417\u0434\u0435\u0441\u044c \u043d\u0435\u0442 \u044d\u0442\u0430\u043b\u043e\u043d\u043d\u043e\u0433\u043e \u043e\u0442\u0432\u0435\u0442\u0430\u00a0\u2014 \u0438 \u043e\u043d \u043d\u0435\u00a0\u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u0435\u043d. \u0415\u0441\u0442\u044c \u043e\u0436\u0438\u0434\u0430\u0435\u043c\u043e\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435: \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u043d\u0435\u00a0\u0434\u043e\u043b\u0436\u043d\u0430 \u0443\u0433\u0430\u0434\u044b\u0432\u0430\u0442\u044c \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u043e\u0442\u043c\u0435\u043d\u044b, \u0430\u00a0\u0434\u043e\u043b\u0436\u043d\u0430 \u0437\u0430\u043f\u0440\u043e\u0441\u0438\u0442\u044c \u043d\u0435\u0434\u043e\u0441\u0442\u0430\u044e\u0449\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435. \u0422\u0430\u043a\u0438\u0435 \u043a\u0435\u0439\u0441\u044b \u0447\u0430\u0441\u0442\u043e \u043f\u043e\u043b\u0435\u0437\u043d\u0435\u0435 \u0438\u0434\u0435\u0430\u043b\u044c\u043d\u043e \u0441\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e reference answer. \u0412\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u0441\u0442\u043e\u0438\u0442 \u043f\u043e\u0441\u0442\u0435\u043f\u0435\u043d\u043d\u043e \u0441\u043e\u0431\u0438\u0440\u0430\u0442\u044c:\u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0435 \u0437\u0430\u043f\u0440\u043e\u0441\u044b;\u0442\u0438\u043f\u043e\u0432\u044b\u0435 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0438;\u0433\u0440\u0430\u043d\u0438\u0447\u043d\u044b\u0435 \u0441\u043b\u0443\u0447\u0430\u0438;\u043d\u0435\u043e\u0434\u043d\u043e\u0437\u043d\u0430\u0447\u043d\u044b\u0435 \u0432\u043e\u043f\u0440\u043e\u0441\u044b;\u0437\u0430\u043f\u0440\u043e\u0441\u044b, \u0434\u043b\u044f\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0441\u0438\u0441\u0442\u0435\u043c\u0435 \u043d\u0435\u00a0\u0445\u0432\u0430\u0442\u0430\u0435\u0442 \u0434\u0430\u043d\u043d\u044b\u0445;\u043e\u0448\u0438\u0431\u043a\u0438, \u0443\u0436\u0435 \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u043d\u044b\u0435 \u0432\u00a0\u043f\u0440\u043e\u0434\u0430\u043a\u0448\u0435\u043d\u0435.\u041f\u043e\u0441\u043b\u0435\u0434\u043d\u044f\u044f \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0432\u0430\u0436\u043d\u0430: \u043d\u0430\u0439\u0434\u0435\u043d\u043d\u044b\u0439 \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u0435\u043c \u0431\u0430\u0433 \u0434\u043e\u043b\u0436\u0435\u043d \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c\u0441\u044f \u043d\u043e\u0432\u044b\u043c regression case. \u0418\u043d\u0430\u0447\u0435 \u043a\u043e\u043c\u0430\u043d\u0434\u0430 \u0440\u0438\u0441\u043a\u0443\u0435\u0442 \u0447\u0438\u043d\u0438\u0442\u044c \u043e\u0434\u043d\u0443 \u0438 \u0442\u0443\u00a0\u0436\u0435 \u043e\u0448\u0438\u0431\u043a\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0440\u0430\u0437.\u041a\u043e\u0434, \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u0438 LLM\u2011\u0441\u0443\u0434\u044c\u044f\u041e\u0431\u044b\u0447\u043d\u043e \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u043a\u043e\u043c\u0431\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0442\u0438\u043f\u043e\u0432 \u043f\u0440\u043e\u0432\u0435\u0440\u043e\u043a. \u0412\u0441\u0451, \u0447\u0442\u043e\u00a0\u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0434\u0451\u0436\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043a\u043e\u0434\u043e\u043c, \u043b\u0443\u0447\u0448\u0435 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043a\u043e\u0434\u043e\u043c:assert valid_json(response)assert response.tool == &#171;calendar.update_event&#187;assert response.currency == &#171;RUB&#187;\u0412\u044b\u0437\u044b\u0432\u0430\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u0443\u044e LLM \u0440\u0430\u0434\u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u0432\u0430\u043b\u0438\u0434\u043d\u043e\u0441\u0442\u0438 JSON \u043d\u0435\u0442 \u0441\u043c\u044b\u0441\u043b\u0430. \u0414\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0431\u0443\u0434\u0435\u0442 \u0434\u0435\u0448\u0435\u0432\u043b\u0435,\u00a0\u0431\u044b\u0441\u0442\u0440\u0435\u0435 \u0438 \u0432\u043e\u0441\u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u043c\u0435\u0435.\u0414\u043b\u044f\u00a0\u0441\u043c\u044b\u0441\u043b\u043e\u0432\u044b\u0445 \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432 \u043c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u0438\u043b\u0438\u00a0LLM\u2011as\u2011a\u2011Judge. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, judge \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442 \u0432\u043e\u043f\u0440\u043e\u0441 \u0438 \u043e\u0442\u0432\u0435\u0442 \u043c\u043e\u0434\u0435\u043b\u0438:\u0412\u043e\u043f\u0440\u043e\u0441:{input}\u041e\u0442\u0432\u0435\u0442:{answer}\u041e\u0446\u0435\u043d\u0438 correctness \u043e\u0442 1 \u0434\u043e 5.\u0412\u0435\u0440\u043d\u0438 JSON:{  &#171;score&#187;: 1-5,  &#171;reason&#187;: &#171;&#8230;&#187;}\u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u0434\u043e\u0431\u0435\u043d \u0438 \u0445\u043e\u0440\u043e\u0448\u043e \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0438\u0440\u0443\u0435\u0442\u0441\u044f, \u043d\u043e\u00a0judge \u0442\u043e\u0436\u0435 \u043d\u0443\u0436\u043d\u043e \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u0442\u044c. \u041f\u0440\u0430\u043a\u0442\u0438\u0447\u043d\u044b\u0439 \u043c\u0438\u043d\u0438\u043c\u0443\u043c\u00a0\u2014 \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u0440\u0430\u0437\u043c\u0435\u0442\u0438\u0442\u044c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u0441\u0438\u043b\u0430\u043c\u0438 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432, \u043f\u0440\u043e\u0433\u043d\u0430\u0442\u044c \u0435\u0451 \u0447\u0435\u0440\u0435\u0437 judge \u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0442\u044c \u043e\u0446\u0435\u043d\u043a\u0438.\u0415\u0441\u043b\u0438 judge \u0441\u0438\u0441\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0440\u0430\u0441\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0441\u00a0\u043b\u044e\u0434\u044c\u043c\u0438 \u043d\u0430\u00a0\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u043e\u043c \u043a\u043b\u0430\u0441\u0441\u0435 \u0432\u043e\u043f\u0440\u043e\u0441\u043e\u0432, \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0430 \u0443\u0436\u0435 \u043d\u0435\u00a0\u0432\u00a0\u0442\u0435\u0441\u0442\u0438\u0440\u0443\u0435\u043c\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438. \u041f\u043e\u043b\u0435\u0437\u043d\u043e \u0442\u0430\u043a\u0436\u0435 \u043c\u0435\u043d\u044f\u0442\u044c \u043f\u043e\u0440\u044f\u0434\u043e\u043a \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u044b\u0445 \u043e\u0442\u0432\u0435\u0442\u043e\u0432, \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u043b\u0438\u044f\u043d\u0438\u0435 \u0434\u043b\u0438\u043d\u044b \u043e\u0442\u0432\u0435\u0442\u0430 \u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u043e\u0446\u0435\u043d\u043e\u043a \u043f\u043e\u0432\u0442\u043e\u0440\u043d\u044b\u043c\u0438 \u043f\u0440\u043e\u0433\u043e\u043d\u0430\u043c\u0438.\u041f\u0430\u0439\u043f\u043b\u0430\u0439\u043d LLM\u2011as\u2011a\u2011Judge \u0438 \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u043a\u0430 \u043f\u043e\u00a0\u0447\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u043e\u0439 \u0440\u0430\u0437\u043c\u0435\u0442\u043a\u0435\u0421\u0440\u0435\u0434\u043d\u0435\u0435 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043c\u043e\u0436\u0435\u0442 \u0441\u043a\u0440\u044b\u0432\u0430\u0442\u044c \u043a\u0440\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044e\u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, baseline \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u043b \u0442\u0430\u043a:Prompt v17Overall: 82%Finance: 91%Support: 80%\u041f\u043e\u0441\u043b\u0435 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f prompt \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438:Prompt v18Overall: 86%Finance: 73%Support: 92%\u0426\u0438\u0444\u0440\u044b \u0443\u0441\u043b\u043e\u0432\u043d\u044b\u0435, \u043d\u043e\u00a0\u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044f \u0432\u043f\u043e\u043b\u043d\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u0430\u044f. \u0421\u0440\u0435\u0434\u043d\u044f\u044f \u043e\u0446\u0435\u043d\u043a\u0430 \u0432\u044b\u0440\u043e\u0441\u043b\u0430 \u0441 82\u00a0\u0434\u043e 86\u00a0\u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043e\u0432. \u0415\u0441\u043b\u0438 \u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430\u00a0\u043d\u0435\u0451, \u043d\u043e\u0432\u0430\u044f \u0432\u0435\u0440\u0441\u0438\u044f \u043b\u0443\u0447\u0448\u0435. \u041f\u0440\u0438\u00a0\u044d\u0442\u043e\u043c \u0444\u0438\u043d\u0430\u043d\u0441\u043e\u0432\u044b\u0435 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0438 \u043f\u0440\u043e\u0441\u0435\u043b\u0438 \u0441 91\u00a0\u0434\u043e 73\u00a0\u043f\u0440\u043e\u0446\u0435\u043d\u0442\u043e\u0432.\u0415\u0441\u043b\u0438 Finance\u00a0\u2014 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u044b\u0439 \u0440\u0430\u0437\u0434\u0435\u043b \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u0430, \u0442\u0430\u043a\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043d\u0435\u043b\u044c\u0437\u044f. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043d\u0443\u0436\u043d\u044b:\u0437\u0430\u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 baseline;\u0440\u0430\u0437\u0431\u0438\u0432\u043a\u0430 \u043c\u0435\u0442\u0440\u0438\u043a \u043f\u043e\u00a0\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044f\u043c \u0438 \u0443\u0440\u043e\u0432\u043d\u044e \u0440\u0438\u0441\u043a\u0430;\u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0439 regression dataset \u0434\u043b\u044f\u00a0\u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u044b\u0445 \u0432\u0435\u0440\u0441\u0438\u0439;\u043f\u043e\u0440\u043e\u0433\u0438, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0431\u043b\u043e\u043a\u0438\u0440\u0443\u044e\u0442 \u0440\u0435\u043b\u0438\u0437.\u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440:correctness: &#171;&gt;= 0.85&#8243;faithfulness: &#171;&gt;= 0.90&#8243;critical_errors: 0\u0415\u0441\u043b\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u043d\u0435\u00a0\u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u044b, \u0441\u0431\u043e\u0440\u043a\u0430 \u043d\u0435\u00a0\u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0434\u0430\u043b\u044c\u0448\u0435. \u0422\u043e\u043b\u044c\u043a\u043e \u0432\u00a0\u044d\u0442\u043e\u0442 \u043c\u043e\u043c\u0435\u043d\u0442 evaluation \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442 \u0432\u043b\u0438\u044f\u0442\u044c \u043d\u0430\u00a0\u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u0430, \u0430\u00a0\u043d\u0435\u00a0\u043f\u0440\u043e\u0441\u0442\u043e \u0440\u0438\u0441\u043e\u0432\u0430\u0442\u044c \u0433\u0440\u0430\u0444\u0438\u043a\u0438.\u0423\u00a0\u0430\u0433\u0435\u043d\u0442\u0430 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439 \u0442\u0435\u043a\u0441\u0442 \u0435\u0449\u0451 \u043d\u0435\u00a0\u043e\u0437\u043d\u0430\u0447\u0430\u0435\u0442 \u0443\u0441\u043f\u0435\u0445\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0437\u0430\u043f\u0440\u043e\u0441:\u041f\u0435\u0440\u0435\u043d\u0435\u0441\u0438 \u043c\u043e\u044e \u0432\u0441\u0442\u0440\u0435\u0447\u0443 \u0441\u00a0\u0418\u0432\u0430\u043d\u043e\u043c \u043d\u0430\u00a0\u0437\u0430\u0432\u0442\u0440\u0430 \u043f\u043e\u0441\u043b\u0435 15:00.\u0410\u0433\u0435\u043d\u0442 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442:\u0413\u043e\u0442\u043e\u0432\u043e, \u0432\u0441\u0442\u0440\u0435\u0447\u0430 \u043f\u0435\u0440\u0435\u043d\u0435\u0441\u0435\u043d\u0430.\u041f\u043e\u00a0\u0442\u0435\u043a\u0441\u0442\u0443 \u0432\u0441\u0451 \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043e\u0442\u043b\u0438\u0447\u043d\u043e. \u041d\u043e\u00a0\u0432\u043d\u0443\u0442\u0440\u0438 \u043c\u043e\u0433\u043b\u043e \u043f\u0440\u043e\u0438\u0437\u043e\u0439\u0442\u0438 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0435:\u041d\u0430\u0439\u0442\u0438 \u0432\u0441\u0442\u0440\u0435\u0447\u0443    \u2193\u041f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u044c    \u2193\u041e\u0448\u0438\u0431\u043a\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430    \u2193\u00ab\u0413\u043e\u0442\u043e\u0432\u043e\u00bb\u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0443\u00a0AI\u2011\u0430\u0433\u0435\u043d\u0442\u0430 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043d\u0435\u00a0\u0442\u043e\u043b\u044c\u043a\u043e \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439 \u043e\u0442\u0432\u0435\u0442:\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u044b\u0439\u00a0\u043b\u0438 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u00a0\u0431\u044b\u043b \u0432\u044b\u0431\u0440\u0430\u043d;\u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u044b\u0435\u00a0\u043b\u0438 \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0435\u0440\u0435\u0434\u0430\u043d\u044b;\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u0430\u00a0\u043b\u0438 \u043e\u0448\u0438\u0431\u043a\u0430 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430;\u043d\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u043b\u00a0\u043b\u0438 \u0430\u0433\u0435\u043d\u0442 \u0432\u0442\u043e\u0440\u0443\u044e \u0432\u0441\u0442\u0440\u0435\u0447\u0443 \u0432\u043c\u0435\u0441\u0442\u043e \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u043f\u0435\u0440\u0432\u043e\u0439;\u0438\u0437\u043c\u0435\u043d\u0438\u043b\u043e\u0441\u044c\u00a0\u043b\u0438 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u0435 \u0441\u043e\u0441\u0442\u043e\u044f\u043d\u0438\u0435 \u0441\u0438\u0441\u0442\u0435\u043c\u044b.\u041e\u0434\u043d\u0430 \u0438\u0437\u00a0\u043a\u043b\u044e\u0447\u0435\u0432\u044b\u0445 \u043c\u0435\u0442\u0440\u0438\u043a \u0437\u0434\u0435\u0441\u044c\u00a0\u2014 Task Success: \u0432\u044b\u043f\u043e\u043b\u043d\u0438\u043b\u00a0\u043b\u0438 \u0430\u0433\u0435\u043d\u0442 \u0437\u0430\u0434\u0430\u0447\u0443 \u0432\u00a0\u0441\u0440\u0435\u0434\u0435, \u0430\u00a0\u043d\u0435\u00a0\u043f\u0440\u043e\u0441\u0442\u043e \u0443\u0431\u0435\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u043e\u043e\u0431\u0449\u0438\u043b \u043e\u0431\u00a0\u0443\u0441\u043f\u0435\u0445\u0435. \u0418\u043c\u0435\u043d\u043d\u043e \u043e\u0446\u0435\u043d\u043a\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u0432\u00a0\u0438\u043d\u0442\u0435\u0440\u0430\u043a\u0442\u0438\u0432\u043d\u044b\u0445 \u0441\u0440\u0435\u0434\u0430\u0445 \u043f\u043e\u0441\u0432\u044f\u0449\u0451\u043d, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, AgentBench.Evaluation\u00a0\u2014 \u044d\u0442\u043e \u0446\u0438\u043a\u043b, \u0430\u00a0\u043d\u0435\u00a0\u0444\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439 \u044d\u043a\u0437\u0430\u043c\u0435\u043d\u0420\u0430\u0431\u043e\u0447\u0438\u0439 \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u00a0\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u0438\u0439 \u0438 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432, \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442 \u0447\u0435\u0440\u0435\u0437 \u0434\u0430\u0442\u0430\u0441\u0435\u0442, evaluators, \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u0438 baseline, \u0430\u00a0\u0437\u0430\u0442\u0435\u043c \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0447\u0430\u0441\u0442\u044c\u044e regression testing \u0438 \u0440\u0435\u043b\u0438\u0437\u043d\u043e\u0433\u043e \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0430. \u041f\u043e\u0441\u043b\u0435 \u0440\u0435\u043b\u0438\u0437\u0430 \u0446\u0438\u043a\u043b \u043d\u0435\u00a0\u0437\u0430\u043a\u0430\u043d\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f. \u041d\u043e\u0432\u044b\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u044e\u0442\u0441\u044f \u0432\u00a0dataset \u0438 \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u044e\u0442\u0441\u044f \u0432\u00a0regression cases.\u041f\u043e\u043b\u043d\u044b\u0439 \u0436\u0438\u0437\u043d\u0435\u043d\u043d\u044b\u0439 \u0446\u0438\u043a\u043b evaluation \u0434\u043b\u044f\u00a0LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u044f\u0414\u043b\u044f\u00a0\u0441\u0442\u0430\u0440\u0442\u0430 \u043d\u0435\u00a0\u043d\u0443\u0436\u043d\u0430 \u043e\u0433\u0440\u043e\u043c\u043d\u0430\u044f \u043f\u043b\u0430\u0442\u0444\u043e\u0440\u043c\u0430. \u0414\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e:\u0421\u043e\u0431\u0440\u0430\u0442\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0442\u0435\u043d \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432, \u043f\u043e\u0445\u043e\u0436\u0438\u0445 \u043d\u0430\u00a0\u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435.\u0414\u043b\u044f\u00a0\u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043e\u043f\u0438\u0441\u0430\u0442\u044c \u043e\u0436\u0438\u0434\u0430\u0435\u043c\u043e\u0435 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435, \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u044e \u0438 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u043e\u0441\u0442\u044c.\u0414\u0435\u0442\u0435\u0440\u043c\u0438\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0435 \u0441\u0432\u043e\u0439\u0441\u0442\u0432\u0430 \u043f\u0440\u043e\u0432\u0435\u0440\u044f\u0442\u044c \u043a\u043e\u0434\u043e\u043c.\u0414\u043b\u044f\u00a0\u0441\u043c\u044b\u0441\u043b\u043e\u0432\u044b\u0445 \u043a\u0440\u0438\u0442\u0435\u0440\u0438\u0435\u0432 \u0434\u043e\u0431\u0430\u0432\u0438\u0442\u044c \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u0438\u043b\u0438\u00a0\u043e\u0434\u0438\u043d\u2011\u0434\u0432\u0430 \u043e\u0442\u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0445 LLM\u2011judge.\u0417\u0430\u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u0442\u044c baseline.\u0417\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043e\u0434\u0438\u043d \u0438 \u0442\u043e\u0442\u00a0\u0436\u0435 \u043d\u0430\u0431\u043e\u0440 \u043f\u043e\u0441\u043b\u0435 \u0437\u0430\u043c\u0435\u0442\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439 \u043c\u043e\u0434\u0435\u043b\u0438, prompt, retrieval \u0438\u043b\u0438\u00a0\u043b\u043e\u0433\u0438\u043a\u0438 \u0430\u0433\u0435\u043d\u0442\u0430.\u041d\u0435\u00a0\u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u0432\u0435\u0440\u0441\u0438\u044e \u043f\u0440\u0438\u00a0\u043f\u0440\u043e\u0432\u0430\u043b\u0435 \u043a\u0440\u0438\u0442\u0438\u0447\u043d\u044b\u0445 \u043f\u043e\u0440\u043e\u0433\u043e\u0432.\u042d\u0442\u043e\u0433\u043e \u0443\u0436\u0435 \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e, \u0447\u0442\u043e\u0431\u044b \u043f\u0435\u0440\u0435\u0439\u0442\u0438 \u043e\u0442\u00a0\u0444\u0440\u0430\u0437\u044b:\u041f\u043e\u00a0\u043e\u0449\u0443\u0449\u0435\u043d\u0438\u044f\u043c \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u043b\u0443\u0447\u0448\u0435.\u043a\u00a0\u0438\u043d\u0436\u0435\u043d\u0435\u0440\u043d\u043e\u043c\u0443 \u0432\u044b\u0432\u043e\u0434\u0443:\u041e\u0431\u0449\u0430\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0440\u043e\u0441\u043b\u0430, \u043d\u043e\u00a0\u0432\u00a0\u0441\u0446\u0435\u043d\u0430\u0440\u0438\u044f\u0445 \u0432\u043e\u0437\u0432\u0440\u0430\u0442\u0430 \u043f\u043e\u044f\u0432\u0438\u043b\u0430\u0441\u044c \u0440\u0435\u0433\u0440\u0435\u0441\u0441\u0438\u044f, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u0432\u0435\u0440\u0441\u0438\u044e \u043f\u043e\u043a\u0430 \u043d\u0435\u00a0\u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0435\u043c.\u0427\u0442\u043e\u00a0\u0434\u0430\u043b\u044c\u0448\u0435\u0417\u0430\u00a0\u0440\u0430\u043c\u043a\u0430\u043c\u0438 \u043e\u0434\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u043e\u0441\u0442\u0430\u043b\u0438\u0441\u044c \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u0435 golden dataset, \u0432\u044b\u0431\u043e\u0440 \u043c\u0435\u0442\u0440\u0438\u043a \u0434\u043b\u044f\u00a0\u0440\u0430\u0437\u043d\u044b\u0445 RAG\u2011\u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440, \u043a\u0430\u043b\u0438\u0431\u0440\u043e\u0432\u043a\u0430 LLM\u2011as\u2011a\u2011Judge, adversarial cases, \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 tool calls \u0438 \u043f\u043e\u043b\u043d\u043e\u0446\u0435\u043d\u043d\u043e\u0435 \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 AI\u2011\u0430\u0433\u0435\u043d\u0442\u043e\u0432.\u042d\u0442\u0438 \u0442\u0435\u043c\u044b \u043f\u043e\u0448\u0430\u0433\u043e\u0432\u043e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u044e\u0442\u0441\u044f \u0432\u00a0\u043a\u0443\u0440\u0441\u0435 \u00abLLM Evaluation: \u043e\u0446\u0435\u043d\u043a\u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 RAG \u0438 AI\u2011\u0430\u0433\u0435\u043d\u0442\u043e\u0432\u00bb: \u043e\u0442\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u044b\u0445 \u043d\u0430\u0431\u043e\u0440\u043e\u0432 \u0438 \u043c\u0435\u0442\u0440\u0438\u043a \u0434\u043e\u00a0judges, RAG \u0438 \u0430\u0433\u0435\u043d\u0442\u043d\u044b\u0445 \u0441\u0446\u0435\u043d\u0430\u0440\u0438\u0435\u0432.\u0413\u043b\u0430\u0432\u043d\u0430\u044f \u043c\u044b\u0441\u043b\u044c \u043f\u0440\u0438\u00a0\u044d\u0442\u043e\u043c \u043e\u0441\u0442\u0430\u0451\u0442\u0441\u044f \u043f\u0440\u043e\u0441\u0442\u043e\u0439: LLM\u2011\u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0435 \u043d\u0435\u043b\u044c\u0437\u044f \u0432\u044b\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u043d\u0430\u00a0\u043e\u0441\u043d\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u043f\u0435\u0447\u0430\u0442\u043b\u0435\u043d\u0438\u044f \u043e\u0442\u00a0\u0434\u0435\u0441\u044f\u0442\u0438 \u0443\u0434\u0430\u0447\u043d\u044b\u0445 \u0434\u0438\u0430\u043b\u043e\u0433\u043e\u0432. \u041a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0434\u043e\u043b\u0436\u043d\u043e\u00a0\u0431\u044b\u0442\u044c \u0438\u0437\u043c\u0435\u0440\u0438\u043c\u044b\u043c, \u0441\u0440\u0430\u0432\u043d\u0438\u043c\u044b\u043c \u0441\u00a0baseline \u0438 \u0441\u0432\u044f\u0437\u0430\u043d\u043e \u0441\u00a0\u0440\u0435\u0448\u0435\u043d\u0438\u0435\u043c \u043e\u00a0\u0440\u0435\u043b\u0438\u0437\u0435.\u0418\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438Pouya Pezeshkpour, Estevam Hruschka. Large Language Models Sensitivity to The Order of Options in Multiple\u2011Choice Questions. Findings of NAACL, 2024.Lianmin Zheng et al. Judging LLM\u2011as\u2011a\u2011Judge with MT\u2011Bench and Chatbot Arena. NeurIPS, 2023.Shahul Es et al. RAGAS: Automated Evaluation of Retrieval Augmented Generation. EACL System Demonstrations, 2024.Xiao Liu et al. AgentBench: Evaluating LLMs as Agents. ICLR, 2024.\u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 https:\/\/habr.com\/ru\/articles\/1074356\/<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-492165","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/492165","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=492165"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/492165\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=492165"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=492165"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=492165"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}