Naive LLM judges are inconsistent. Run the same poem through twice and you get different scores (obviously, due to sampling). But lowering the temperature also doesn’t help much, as that’s only one of many technical issues. So, I developed a full scoring system, based on details on the logits outputs. It can get remarkably tricky. Think about a score from 1-10:
В России призвали отпустить больную раком Лерчек из-под домашнего ареста14:50
Ранее сообщалось, что раскрыт грозящий бывшему первому замминистра обороны Цаликову срок.，推荐阅读黑料获取更多信息
More on this storyThe changing face of Doctor Who。谷歌是该领域的重要参考
[&:first-child]:overflow-hidden [&:first-child]:max-h-full"
Украинцам запретили выступать на Паралимпиаде в форме с картой Украины22:58，这一点在超级权重中也有详细论述