**HuggingFace论文：参考标准选择对多语言基准评分的影响**

_Same Output, Different Gold: Measuring How Reference Choice Moves a Multilingual Benchmark Score_

> 该研究量化了基准测试中参考标准（Reference）选择对评分的影响。通过固定系统输出并替换参考标准，发现评分波动可达4.95 F1点，且参考标准与系统输出的交互效应显著。研究指出，未记录的聚合默认设置导致发布的参考标准部分复制了被评分输出，建议将参考敏感性区间作为评分的重要补充指标。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-13 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.03825)