Elmes*: Automatisierte Konstruktion feingranularer Bewertungsrichtlinien für Large Language Models in Long-Tail-Bildungsszenarien

arXiv:2606.06546v1 Ankündigungstyp: neu Abstract: Die Bewertung von Large Language Models für Bildung erfordert zu messen, wie Modelle unterrichten, nicht nur was sie wissen. Bestehende Benchmarks betonen domänengenerelle Korrektheit oder basieren auf manuell gestalteten Rubriken, die schlecht auf Long-Tail-Pädagogik skalieren