Rubrics-as-an-Attack-Surface

评分标准作为攻击面：LLM 评判器中的隐蔽偏好漂移 📊 数据集 • 🤖 训练模型 • 📝 论文 • 💻 代码库 本代码库包含论文 Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges 的代码，作者为 Ruomeng Ding、Yifei Pang、He Sun、Yizhong Wang、Steven Wu 和 Zhun Deng。 我们研究了基于 LLM 的评估与对齐流程中的评分标准诱导偏好漂移（Rubric-Induced Preference Drift, RIPD）...