RESEARCH RECORD

Resolution Diagnostics for Paired LLM Evaluation

Anany Kotawala · Princeton University

在指定错误率与功效目标下，一些展示的差距仍无法分辨；缺少配对方差和依赖假设时，单看样本量不够。

研究问题

现有评测样本能否分辨所报告的模型成绩差距？

分析把配对检验转换为所需样本量，并用真实题目级排行榜数据检查聚类与多重比较。

在指定错误率与功效目标下，一些展示的差距仍无法分辨；缺少配对方差和依赖假设时，单看样本量不够。

实证重点是二元准确率和接近的比较；它不意味着所有排名无意义，差异不显著也不能证明等价。

当前阅读包尚无结构化数值提取。

阅读范围与复核

Selected original HTML sections and table context; not a complete paper/appendix audit or independent reproduction.

模型辅助整理，独立证据复核待完成。