本文是LLM系列文章，针对《Active Testing of Large Language Model via Multi-Stage Sampling》的翻译。
摘要
性能评估在大型语言模型 （LLM） 的开发生命周期中起着至关重要的作用。它估计模型的能力，阐明行为特征，并有助于识别潜在的问题和限制，从而指导进一步的改进。鉴于 LLM 的不同任务处理能力源于大量的训练数据，因此全面评估还需要大量、注释良好且具有代表性的测试数据来评估 LLM 在各种下游任务中的性能。然而，对高质量测试数据的需求通常需要大量的时间、计算资源和手动工作，有时会导致评估效率低下或不切实际。为了应对这些挑战，研究人员提出了主动测试，即通过选择测试数据的子集来估计整体性能。然而，鉴于 LLM 独特的新挑战（例如，不同的任务类型、增加的模型复杂性和训练数据的不可用），现有的主动测试方法往往效率低下，甚至不适用。为了减轻此类限制并加快 LLM 的开发周期，在这项工作中，我们引入了 AcTracer，这是一个为 LLM 量身定制的主动测试框架，它战略性地选择一小部分测试数据，以实现 LLM 的近乎最佳的性能估计。 通过基于池的多阶段主动选择来减少差异。我们的实验结果表明，与现有方法相比，AcTracer 在各种任务中实现了最先进的性能，比以前的 SOTA