Con LLM como juez, un modelo de lenguaje valora las respuestas de otro modelo, por ejemplo por exactitud o tono.
Ejemplo
Un modelo puntúa de 1 a 5 cada una de 500 respuestas a clientes según una lista fija.
Para profesionales
Escala mejor que la evaluación humana, pero tiene sesgos conocidos: prefiere respuestas largas, su propia familia de modelos o la primera respuesta. Son imprescindibles unas instrucciones de evaluación claras y revisiones humanas por muestreo.
Prompts, skills, agentes y herramientas relacionados
