Экспериментальная DPO-дообученная Gemma 2 для исследования дрейфа предпочтений и устойчивости оценивания LLM-судьями.
Подходит для: исследование дрейфа предпочтений при оценке ответов LLM · изучение влияния рубрик оценивания на выравнивание моделей · проверка устойчивости LLM-судей к вариантам рубрик