LLM评估指标论文：8篇必读基础论文

八篇定义了LLM评估方式的论文，从MMLU到RAGAS。

LLM评估指标论文

8篇奠基论文：MMLU（2020，57学科通用知识基准）、HELM（2022，斯坦福多指标评估）、GSM8K（2021，数学推理）、HumanEval（2021，代码生成pass@k）、思维链（2022，推理步骤提示）、RAGAS（2023，RAG评估：忠实度/答案相关性/上下文精度）、MT-Bench（2023，LLM作为裁判）、LLM-as-a-Judge（2023，GPT-4当评估器）。

2026年实践：MMLU+HumanEval+GSM8K仍是模型卡默认组合，RAG系统默认RAGAS，CI流水线用LLM-as-judge替代人工评估。全部可在arXiv免费阅读。