Comparamos un modelo de lenguaje (LLM) multilingüe como juez en textos en español y catalán frente a etiquetas humanas utilizando Jev de TypeSafe. El resultado: mantén las preguntas de la rúbrica en inglés para preservar la precisión.
Una guía práctica para integrar la evaluación de LLM en CI/CD, de modo que las regresiones de calidad se detecten antes de su lanzamiento y no después de que se acumulen los tickets de soporte.
How to measure whether an LLM application actually works, from traces and golden datasets through judge calibration, CI regression gating, and production monitoring.