Каковы три главных систематических смещения (Biases) в парадигме LLM-as-a-Judge?

1. Position Bias: склонность предпочитать первого или последнего кандидата в промпте. 2. Verbosity Bias: завышение оценок избыточно длинным и многословным ответам. 3. Self-Enhancement Bias: тенденция модели ставить более высокие баллы ответам, сгенерированным моделями того же семейства.

Почему для этапа генерации кандидатов выбирается повышенная температура (0.7-0.8)?

При нулевой температуре (greedy decoding) модель генерирует N практически идентичных решений, выбирая токены с наивысшей локальной вероятностью. Повышенная температура расширяет пространство поиска (Exploration), позволяя получить качественно разные архитектурные декомпозиции, алгоритмы и структуры данных для дальнейшего отбора.

Как вычисляется оптимальное значение N в конвейере Best-of-N?

Увеличение N дает логарифмический прирост качества при линейном росте стоимости токенов и задержки. На практике значение N=8 или N=16 является эмпирическим оптимумом по Парето: оно обеспечивает вероятность нахождения хотя бы одного решения, проходящего все тесты, свыше 95%, не перегружая инфраструктуру инференса.

В чем математический смысл Rejection Sampling при подготовке обучающих данных?

Rejection Sampling позволяет сэмплировать данные из сложного целевого распределения 'идеального кода' p(x), используя доступное вспомогательное распределение генеративной модели q(x). Кандидаты отбираются только в том случае, если они удовлетворяют условиям статических анализаторов, тестов и рубрики качества, что отсекает деструктивный хвост распределения и предотвращает накопление шума.

Как детерминированно защитить хост-систему при запуске синтетического кода из песочницы?

Использованием низкоуровневой контейнеризации с перехватом системных вызовов: gVisor (runsc), Firecracker microVM или WebAssembly (Wasmtime). Сетевой стек полностью отключается (--network=none), файловая система монтируется в режиме read-only (кроме временного tmpfs в RAM), процессорное время ограничивается через cgroups (например, жесткий таймаут 500 мс).

В чем разница между Best-of-N Rejection Sampling и RLHF/DPO обучением?

Best-of-N — это метод отбора на этапе генерации данных (или инференса), который не модифицирует веса модели напрямую, а отбирает лучший сэмпл с помощью внешних верификаторов. Полученные в результате Best-of-N отбора пары 'запрос - победившее решение' могут использоваться как разметка для последующего SFT, а пары 'победитель - проигравший' служат датасетом предпочтений для DPO (Direct Preference Optimization).

Что такое рубрикатор G-Eval и как он применяется в судействе кода?

G-Eval — это фреймворк оценки, где критерии декомпозируются на цепочку пошаговых логических проверок (Chain-of-Thought Rubric). Судья сначала формулирует промежуточные аргументы по каждому пункту рубрики, затем генерирует вероятности токенов баллов (1-5 или 1-10), а финальная оценка вычисляется как математическое ожидание взвешенных вероятностей токенов.

Synthetic Code Filtering: Rejection Sampling and LLM-as-a-Judge — AI Engineering & Agents

Архитектурная база#

Массовая генерация синтетического кода для дообучения моделей или автономных агентных пайплайнов несет в себе критический риск — деградацию качества моделей (Model Collapse) из-за накопления «синтетического шлака» (Synthetic Slop). Если дообучать нейросеть на непроверенном коде, сгенерированном другой LLM, скрытые логические ошибки, архитектурные антипаттерны, скрытые уязвимости и галлюцинированные зависимости мультиплицируются в геометрической прогрессии с каждым новым поколением.

text

Нефильтрованный синтез:
LLM Gen -> [Галлюцинации/Утечки памяти] -> Fine-Tuning -> Деградация весов (Model Collapse)

Rejection Sampling Pipeline:
LLM Gen (N=8) -> [Static Gate] -> [Sandbox Execution] -> [LLM Judge Rubric] -> Gold Sample

Для гарантированного отбора исключительно эталонных образцов применяется вероятностный фильтрационный конвейер Rejection Sampling (выборка с отклонением) в комбинации с многоуровневым арбитражем.

Методология Rejection Sampling в кодогенерации базируется на стратегии Best-of-N:

Для каждой входной задачи генерируется ансамбль из N независимых кандидатов (обычно N = 8 или N = 16) при повышенной температуре (temperature = 0.7–0.8) для максимизации вариативности архитектурных подходов.
Детерминированный статический фильтр (Static Gate): отсечение синтаксически некорректных решений через AST-парсеры, строгий компилятор (tsc --noEmit), линтеры (ESLint) и инструменты статического анализа (PHPStan Level 8 / Psalm).
Динамический исполнительный фильтр (Sandbox Execution Gate): прогон кандидатов в изолированной среде (Docker / gVisor / WebAssembly) с набором строгих юнит-тестов, измерением пикового потребления RAM и времени выполнения.
Семантический арбитраж (LLM-as-a-Judge): независимая флагманская модель производит оценку оставшихся валидных кандидатов по структурированной рубрике (архитектурная чистота, идиоматичность, поддерживаемость, отсутствие скрытых уязвимостей) и выбирает единственный эталонный образец (Gold Standard Sample).

Ментальная модель#

Конвейер фильтрации представляет собой многоступенчатую воронку отсева, где каждый последующий этап требует больше вычислительных ресурсов, но применяется к строго уменьшающемуся объему кандидатов:

text

[Входная спецификация задачи / User Prompt]
                   │
                   ▼ (Генерация при temperature = 0.7)
┌────────────────────────────────────────────────────────┐
│ Ансамбль кандидатов: Candidate [1..8]                  │
└──────────────────┬─────────────────────────────────────┘
                   │ 8 кандидатов
                   ▼
┌────────────────────────────────────────────────────────┐
│ Gate 1: Детерминированный статический анализ           │
│ - tsc --noEmit / AST Syntax Check                      │
│ - ESLint / PHPStan Level 8                             │
│ - Регулярные проверки на запрещенные функции           │
└──────────────────┬─────────────────────────────────────┘
                   │ Прошли: 5 кандидатов (3 отброшены)
                   ▼
┌────────────────────────────────────────────────────────┐
│ Gate 2: Изолированная песочница тестов (Sandbox)       │
│ - Прогон функциональных юнит-тестов (100% pass)        │
│ - Ограничение по CPU Time (< 200 ms) и RAM (< 64 MB)   │
│ - Проверка отсутствия утечек сокетов и дескрипторов   │
└──────────────────┬─────────────────────────────────────┘
                   │ Прошли: 3 кандидата (2 отброшены)
                   ▼
┌────────────────────────────────────────────────────────┐
│ Gate 3: LLM-as-a-Judge (Независимый арбитр)            │
│ - Рандомизация порядка (борьба с Position Bias)        │
│ - Скоринг по рубрике: чистый код, O(n) сложность       │
│ - Штраф за многословие (борьба с Verbosity Bias)       │
└──────────────────┬─────────────────────────────────────┘
                   │ Выбор лучшего (ArgMax Score)
                   ▼
[Эталонный сэмпл (Gold Sample) для SFT датасета / Deploy]

Rejection Sampling Best-of-N Selection Model Collapse LLM-as-a-Judge Position Bias Verbosity Bias

На практике применяется#

Генерация обучающих выборок для дообучения локальных моделей: Формирование корпусов из десятков тысяч примеров чистого кода без единой синтаксической или логической ошибки для Supervised Fine-Tuning.
Автономные агенты синтеза критической бизнес-логики: Финансовые платформы генерируют 8 реализаций модуля распределения дивидендов; после прогона тестов и анализа судьей в продакшен уходит только проверенный образец.
Автоматическая верификация и очистка миграций баз данных: Проверка сгенерированных SQL/ORM миграций: синтез нескольких вариантов, тестовый накат в эфемерной базе данных, проверка отката (rollback) и выбор миграции без блокировок таблиц (Lock-Free).
Непрерывный состязательный бенчмаркинг AI-моделей в CI: Автоматическая оценка новых версий открытых LLM против внутреннего золотого стандарта тестов с детальным протоколированием причин отклонения кандидатов.

Как это работает#

Ниже представлена реализация полного цикла Rejection Sampling на TypeScript. Конвейер генерирует N кандидатов, пропускает их через проверку компилятором, имитирует песочницу юнит-тестов и вызывает LLM-as-a-Judge с формализованной Zod-рубрикой оценки.

typescriptlib/curation/rejection-sampling-pipeline.ts

import { z } from "zod";
import OpenAI from "openai";

// Схема рубрики оценки качества кода арбитром (LLM-as-a-Judge)
export const CodeQualityRubricSchema = z.object({
  candidateIndex: z.number().int(),
  scores: z.object({
    functionalCorrectness: z.number().min(1).max(10), // Точность реализации
    architecturalClarity: z.number().min(1).max(10),  // Читаемость и SOLID
    errorHandlingRobustness: z.number().min(1).max(10), // Обработка неизвестных ошибок
    algorithmicEfficiency: z.number().min(1).max(10), // Асимптотика времени и памяти
  }),
  hasSecurityVulnerabilities: z.boolean(),
  concisenessPenaltyApplied: z.boolean(), // Флаг штрафа за избыточный boilerplate
  totalWeightedScore: z.number().min(0).max(100),
  reasoningNotes: z.string().max(1000),
});

export type CodeQualityRubric = z.infer<typeof CodeQualityRubricSchema>;

export interface GenerationCandidate {
  id: string;
  code: string;
  staticCheckPassed: boolean;
  unitTestsPassed: boolean;
  executionTimeMs: number;
}

export class RejectionSamplingEngine {
  private openai: OpenAI;

  constructor(apiKey?: string) {
    this.openai = new OpenAI({ apiKey: apiKey ?? process.env.OPENAI_API_KEY });
  }

  /**
   * Генерация N вариантов реализации с повышенной температурой
   */
  public async generateCandidates(
    prompt: string,
    sampleCount: number = 8
  ): Promise<GenerationCandidate[]> {
    const candidates: GenerationCandidate[] = [];

    // Параллельная генерация N независимых вариантов
    const requests = Array.from({ length: sampleCount }, async (_, idx) => {
      const response = await this.openai.chat.completions.create({
        model: "gpt-4o",
        temperature: 0.75, // Повышенная температура для архитектурного разнообразия
        messages: [
          {
            role: "system",
            content: "Ты — Senior Software Engineer. Напиши только production-ready код решения на TypeScript без markdown обертки.",
          },
          { role: "user", content: prompt },
        ],
      });

      return {
        id: `cand_${idx + 1}`,
        code: response.choices[0]?.message.content ?? "",
        staticCheckPassed: false,
        unitTestsPassed: false,
        executionTimeMs: 0,
      };
    });

    return Promise.all(requests);
  }

  /**
   * Gate 1 & 2: Статический анализ и тестовая песочница
   */
  public runDeterministicGates(candidate: GenerationCandidate): GenerationCandidate {
    const code = candidate.code;

    // 1. Проверка синтаксических антипаттернов (Static Gate)
    const hasAnyType = /\bany\b/.test(code);
    const hasEval = /\beval\s*\(/.test(code);
    const hasUncheckedCatch = /catch\s*\(\s*[a-zA-Z0-9_]+\s*\)/.test(code) && !code.includes("unknown");

    if (hasAnyType || hasEval || hasUncheckedCatch || code.length < 50) {
      candidate.staticCheckPassed = false;
      return candidate;
    }
    candidate.staticCheckPassed = true;

    // 2. Имитация изолированного запуска юнит-тестов (Sandbox Gate)
    // В реальной системе: запуск контейнера Docker с `vitest run`
    const hasRequiredExports = code.includes("export class") || code.includes("export function");
    const hasErrorThrowing = code.includes("throw new");

    candidate.unitTestsPassed = hasRequiredExports && hasErrorThrowing;
    candidate.executionTimeMs = Math.floor(Math.random() * 80) + 20; // 20-100 мс

    return candidate;
  }

  /**
   * Gate 3: LLM-as-a-Judge с рандомизацией для устранения Position Bias
   */
  public async arbitrateBestSample(
    prompt: string,
    candidates: GenerationCandidate[]
  ): Promise<GenerationCandidate> {
    const validCandidates = candidates.filter(
      (c) => c.staticCheckPassed && c.unitTestsPassed
    );

    if (validCandidates.length === 0) {
      throw new Error("Все сэмплы были отклонены детерминированными гейтами.");
    }

    if (validCandidates.length === 1) {
      return validCandidates[0];
    }

    // Рандомизация порядка для предотвращения Position Bias
    const shuffled = [...validCandidates].sort(() => Math.random() - 0.5);

    const candidatesPayload = shuffled.map((c, i) => `=== КАНДИДАТ #${i + 1} ===\n${c.code}\n`).join("\n");

    const judgePrompt = `
Вы — беспристрастный арбитр качества программного кода (Staff/Principal Engineer).
Исходное техническое задание:
"""
${prompt}
"""

Оцените каждого кандидата строго по рубрике.
Критерии скоринга (каждый от 1 до 10):
- functionalCorrectness (вес 40%)
- architecturalClarity (вес 25%)
- errorHandlingRobustness (вес 20%)
- algorithmicEfficiency (вес 15%)

Правила борьбы со смещениями:
1. Игнорируйте избыточные многословные комментарии (Verbosity Bias). Код должен быть лаконичным и выразительным.
2. Немедленно дисквалифицируйте код при наличии уязвимостей безопасности (hasSecurityVulnerabilities = true).
3. Верните JSON с массивом оценок по схеме.
`;

    const response = await this.openai.chat.completions.create({
      model: "gpt-4o",
      temperature: 0.1, // Минимальная температура для детерминированного судейства
      response_format: {
        type: "json_schema",
        json_schema: {
          name: "judge_evaluations",
          schema: {
            type: "object",
            properties: {
              evaluations: {
                type: "array",
                items: {
                  type: "object",
                  properties: {
                    candidateIndex: { type: "integer" },
                    scores: {
                      type: "object",
                      properties: {
                        functionalCorrectness: { type: "number" },
                        architecturalClarity: { type: "number" },
                        errorHandlingRobustness: { type: "number" },
                        algorithmicEfficiency: { type: "number" },
                      },
                      required: ["functionalCorrectness", "architecturalClarity", "errorHandlingRobustness", "algorithmicEfficiency"],
                      additionalProperties: false,
                    },
                    hasSecurityVulnerabilities: { type: "boolean" },
                    concisenessPenaltyApplied: { type: "boolean" },
                    totalWeightedScore: { type: "number" },
                    reasoningNotes: { type: "string" },
                  },
                  required: ["candidateIndex", "scores", "hasSecurityVulnerabilities", "concisenessPenaltyApplied", "totalWeightedScore", "reasoningNotes"],
                  additionalProperties: false,
                },
              },
            },
            required: ["evaluations"],
            additionalProperties: false,
          },
          strict: true,
        },
      },
      messages: [
        { role: "system", content: judgePrompt },
        { role: "user", content: candidatesPayload },
      ],
    });

    const parsedJson = JSON.parse(response.choices[0]?.message.content ?? "{}") as {
      evaluations: CodeQualityRubric[];
    };

    // Фильтрация уязвимых и выбор максимума взвешенного балла (ArgMax)
    const validEvaluations = parsedJson.evaluations.filter(
      (e) => !e.hasSecurityVulnerabilities
    );

    if (validEvaluations.length === 0) {
      throw new Error("Все кандидаты забракованы арбитром из-за проблем безопасности.");
    }

    validEvaluations.sort((a, b) => b.totalWeightedScore - a.totalWeightedScore);
    const winnerIndex = validEvaluations[0].candidateIndex - 1;

    return shuffled[winnerIndex];
  }
}

Распространённые ошибки#

Ошибка: Использование LLM-судьи без детерминированного тестового контура

Попытка доверять оценку корректности кода исключительно модели-арбитру без фактического выполнения в песочнице с тестами. Модель-судья подвержена галлюцинациям точности (Hallucinated Correctness) и часто ставит высшие баллы коду, который выглядит профессионально, но падает с TypeError при исполнении первой же строки из-за несовместимости типов.

Ошибка: Смещение судьи в сторону многословия (Verbosity Bias)

Модели-судьи систематически отдают предпочтение длинным решениям с сотнями строк комментариев, дублирующимися интерфейсами и избыточными слоями абстракций перед компактными, лаконичными функциями. В рубрику оценки необходимо вводить жесткие штрафные коэффициенты за избыточный бойлерплейт и измерять метрику плотности логики (Logic Density).

Ошибка: Эффект порядка кандидатов (Position Bias)

При одновременной подаче нескольких вариантов кода судья статистически чаще признает победителем кандидата #1 (первый токен) либо последнего кандидата (эффект свежести контекста). Для нейтрализации смещения порядок кандидатов обязан перемешиваться случайным образом перед формированием промпта, либо оценка должна производиться попарно (Pairwise Comparison) со сменой мест.

Ошибка: Запуск недоверенного синтетического кода без песочницы

Выполнение сгенерированного кода в контексте хост-машины через стандартный exec или eval. Синтетический код может содержать как случайные деструктивные команды (rm -rf /, переполнение сокетов), так и пейлоады состязательных атак. Запуск обязан происходить исключительно в одноразовых контейнерах с изоляцией ядра (gVisor / Firecracker microVM) без сетевого доступа.

Конвейер Rejection Sampling и селекции эталонного кода

Параллельный синтез ансамбляSample Synthesis

Генерация N=8 независимых решений при температуре 0.75 для широкого охвата архитектурных паттернов.

Детерминированный статический гейтStatic Gate

Проверка TypeScript компилятором, ESLint и AST-парсером на запрещенные конструкции и 'any'.

Изолированный запуск тестовSandbox Gate

Прогон тест-сьюта в эфемерном контейнере с ограничением CPU/RAM и контролем таймаутов.

Рандомизированный арбитражJudge Evaluation

Перемешивание порядка сэмплов и скоринг через LLM-as-a-Judge по Zod-рубрике критериев.

ArgMax селекция и сохранениеDataset Ingestion

Выбор образца с наивысшим баллом и экспорт в чистый 'Gold Standard' датасет для обучения.

Interview Questions7 questions