널리 사용되는 언어 모델 (Language-model) 벤치마크들이 점점 더 포화되고 있으며, 최첨단 (Frontier) 시스템들은 표준 지표 (Standard metrics)로는 해결할 수 없는 거의 동등한 점수를 받는 경우가 빈번해지고 있습니다. 더 어려운 대안을 구축하는 대신, 우리는 동일한 후보 출력물 (Candidate outputs)에 대한 개선된 평가를 통해 기존 태스크들을 다시 유익하게 만들 수 있는지 질문을 던집니다. 따라서, 우리는 포화된 벤치마크로부터 잠재적인 순위 신호 (Latent ranking signal)를 추출하기 위한 자기 개선형 평가 프로토콜인 '적응형 LLM-as-a-Meta-Judge를 이용한 시드 제거법 (Seeded Elimination with Adaptive LLM-as-a-Meta-Judge, SEAL)'을 제시합니다. SEAL은 후보 출력물들을 단일 제거 방식 (Single elimination)으로 시딩 (Seed)하며, 태스크 수준의 원칙과 자기 개선형 체크리스트 기준을 사용하여 각 매치 (Match)를 평가합니다. 우리는 코드 생성 (Code generation), 수학적 추론 (Mathematical reasoning), 지식 집약적 질의응답 (Knowledge-intensive question answering), 그리고 도구 사용 에이전트 태스크 완료 (Tool-use agent task completion)를 아우르는 여러 포화된 벤치마크에서 SEAL을 평가합니다. 이러한 설정 전반에서, SEAL은 경쟁 프로토콜 대비 순위 정확도-지연 시간 (Ranking-accuracy--latency) 트레이드오프를 개선하며, 전체 쌍별 판정 (Full pairwise judging)과 0.83~1.00의 Spearman 일치도 및 4/4의 Top-1 일치도를 달성하는 동시에, 전체 쌍별 평가 (Full pairwise evaluation)의 28.00회 호출과 비교하여 태스크당 단 11.89회의 호출만을 필요로 합니다.