# پرامپت‌های خوداصلاح‌گر، داوری مدل‌های زبانی را قابل‌اعتمادتر می‌کنند

> پژوهشگران نشان داده‌اند که پرامپت‌های ساده می‌توانند بدون آموزش بیشتر، به داورانِ مبتنی بر مدل‌های زبانی کمک کنند سوگیری را کاهش دهند.

Oossa · 2026-10-20 · https://oossa.com/fa/self-debiasing-prompts-boost-llm-judges-reliability

گروهی به سرپرستی Y. Yin در 20 اکتبر 2026 مقاله‌ای منتشر کردند که نشان می‌دهد داورانِ مبتنی بر مدل‌های زبانی بزرگ می‌توانند سوگیری خود را کاهش دهند. آن‌ها دو روش را آزمودند: پرامپتی که پیش از داوری درباره احتمال وجود سوگیری به مدل هشدار می‌دهد، و پرامپتی تکمیلی که از مدل می‌خواهد پاسخ خودش را از نظر سوگیری نقد کند. در سه مدل پیشرفته، پرامپت خوداصلاح‌گر در 20 مورد از 21 ترکیبِ مدل و سوگیری نتیجه را بهتر کرد و در برخی موارد امتیاز را تا 15 واحد افزایش داد. روش قدیمی‌ترِ استفاده از منتقد بیرونی در آزمون‌های جدید سوگیری عملکرد ضعیف‌تری داشت.

## حقایق

- مقاله در 20 اکتبر 2026 منتشر شد ("Tue Oct 20 2026 06:00:00 GMT+0200")
- خوداصلاح‌گری سوگیری در 20 مورد از 21 ترکیبِ مدل و سوگیری بهبود ایجاد کرد؛ میزان بهبود در برخی موارد به 15 واحد درصد رسید.

## چرا مهم است

خوداصلاح‌گری سوگیری با پرامپت می‌تواند ارزیابی‌های خودکار هوش مصنوعی را برای توسعه‌دهندگان و پژوهشگران قابل‌اعتمادتر کند.

## منابع و ارجاع‌ها

1. [The Judge Can Debias Itself: Awareness and Self-Debiasing for Reliable LLM-as-a-Judge](https://arxiv.org/abs/2610.24320) – arXiv, 2026-10-20

آخرین به‌روزرسانی: 2026-10-20