Dans le domaine du traitement automatique du langage, les grands modèles de langage excellent dans les tâches complexes, mais leur évaluation repose fortement sur des données d'annotation humaine coûteuses et chronophages. De plus, avec l'amélioration des modèles, l'utilité des données existantes diminue, nécessitant une collecte continue de nouvelles données pour maintenir l'évolutivité et la durabilité de l'évaluation. L'équipe de recherche Meta FAIR a proposé une solution à ce problème avec le "Self-Taught Evaluator" (correcteur autodidacte), une méthode innovante qui s'appuie sur des données synthétiques pour l'entraînement, sans recourir à l'annotation humaine. En générant des préférences synthétiques comparatives...