多智能体代码裁判何时真正有依据？两项无标签测量，以及一个拒绝猜测的裁判

英文标题：When Is a Multi-Agent Code Judge Actually Grounded? Two Label-Free Measurements, and a Judge That Declines to Guess

该论文关注语言模型评判其他模型生成代码是否正确时，裁决是否真正建立在证据之上。作者指出，语言模型即使缺乏证据，仍可能给出带有推理过程且看似自信的结论，难以与有充分依据的判断区分。论文提出两种无标签测量方法，并设计了一个能够在证据不足时拒绝猜测的代码裁判，旨在提升多智能体代码验证的可靠性。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB