LLM 평가에서 집계 점수는 개별 판단의 불안정성을 은폐한다: Arena-Hard의 새로운 연구가 지시어 민감성을 밝혀내다
이 연구에서는 Arena-Hard v2.0 편지 500개를 사용하여 두 모델의 답변을 고정하고, GPT-4.1을 심판으로 삼아 8가지 명령어 조합 하에서 반복적으로 평가한 결과, 집계 점수의 변화가 매우 미미(예: ±1점)하더라도 개별 편지의 승패 판정 결과가 최대 21.2%까지 변경됨을 확인했다. 또한 명령어를 조정하면 불안정성이 더욱 확대되어 최대 28.2%포인트의 추가적인 판정 변동이 발생했지만, 집계 점수는 거의 변하지 않았다.
추천 이유：이 연구는 현재 LLM 평가 관행의 핵심적 맹점을 정면으로 지적한다—즉, 집계 점수에 지나치게 의존하면서 개별 판단의 재현성과 명령어 의존성을 간과하는 문제를 말한다. 이는 선호 모델링, 인간 피드백 강화학습(RLHF) 등 세밀한 수준의 판단을 필요로 하는 과제들에 대해 중요한 방법론적 경고를 제공한다.