当大语言模型作为评判者时，如何判断它们的意见是否独立？

本文提出一种基于 Ising 模型的依赖感知标签聚合方法，用于评估多个大语言模型作为评判者时输出的相关性，并据此调整综合评分。该方法在三个二分类任务中，相比加权多数投票和均匀多数投票基线，准确率分别提升了 9% 到 14%。该方法适用于无监督场景，从评判者输出中学习模型技能和相似性，无需依赖人工标注的参考标签。