GLIDE 庫：為可靠生成AI與代理系統評估提供預測驅動推斷

研究論文提出一個名為 GLIDE 的開源 Python 庫，旨在工業化預測驅動推斷，以可靠評估生成AI和代理系統。傳統評估方法常在昂貴的人工標註與有偏的 LLM 作為評判之間權衡，而預測驅動推斷結合兩者，提供去偏估計和有效置信區間。GLIDE 庫統一了多種先進的 PPI 估計器，包括 PPI++、分層 PPI、預測後去偏及其分層變體，以及主動統計推斷，並支援均勻、分層、主動和成本最優等採樣器，採用類似 scipy 的 API 專注於均值估計。庫附帶可重現的蒙地卡羅驗證套件、基於實證的決策樹方法選擇工具，以及一個代理系統評估案例研究，顯示在等效精度下可節省大量標註成本。GLIDE 套件已在 GitHub 上發布，提供完整的文件和範例。