쌍체 비교(Pairwise comparisons)와 Elo와 같은 집계 방법(aggregation methods)의 결합은 생성 모델(generative models)을 평가하는 데 핵심적인 역할을 해왔으나, 표면적인 스타일 단서(stylistic cues)에 보상을 주거나 판사 편향(judge biases)을 나타낼 수 있다는 우려가 남아 있습니다. 보다 긍정적인 측면에서, 본 연구는 비교 가능한 정답(ground-truth)이 존재하는 경우, 쌍체 비교를 통한 모델 순위가 정답 기반의 정확도 순위(accuracy rankings)와 강력하게 일치함을 보여줍니다. 다섯 가지 잘 알려진 벤치마크(benchmarks)를 자유 형식의 생성 평가(free-form generative evaluations)로 변환함으로써, 우리는 Elo 순위가 정확도 순위와 0.9 이상의 스피어만 상관계수(Spearman correlation)를 달성하며, 판사(judge)가 약할 때 직접 평가(direct evaluation)보다 실질적으로 더 나은 성능을 보임을 확인했습니다. 또한, 대부분의 판단이 두 후보 답변이 모두 정답인 경우(또는 모두 오답인 경우)에 발생함에도 불구하고, 스타일과 판사 편향은 모델 순위에 미미한 영향만을 미쳤습니다. 이러한 쌍(pairs)에서 우리는 최종 답변 이후의 반복(echo)이 판사 선호도의 인과적 동인(causal driver)임을 발견했습니다.