文章主要内容总结本文针对自然语言处理中自动文本评估的挑战，尤其是多语言场景下基于大语言模型（LLM）的评估方法存在的依赖专有模型、需大量微调数据等问题，提出了一种基于检查表工程的LLM评估框架（CE-Judge）。该框架无需训练，基于开源模型，支持点式（单个响应评分）和成对（两个响应中选优）两种评估模式，适用于多语言场景。CE-Judge的核心流程分为三阶段：概念生成：从指令（或源文本）和响应中提取抽象概念，作为评估的基础骨架；检查表生成：通过双向生成（响应到指令、指令到响应）构建动态检查表，增强评估覆盖度和描述性；判断：结合原始指令/响应和检查表，由LLM生成评估结果，支持点式和成对评估。实验在多语言推理、对话和文学翻译数据集上验证了CE-Judge的性能，结果显示其优于开源基线模型，且与GPT-4o等专有模型性能相当。创新点无需训练且基于开源模型：摆脱了对专有模型或大量微调数据的依赖，降低了成本和时间开销；支持多语言与双评估模式：首次将检查表方法扩展到多语言场景，同时支持点式和成对评估；动态双向检查表：通过“响应到指令”和“指令到响应”双向生成检查表，提升评估覆盖度和描述性，避免预定义标准的局限性；精细成对评估