13｜Query改写：大模型测试的数据倍增器

1. Query改写是测试工程师在大模型测试中非常实用的技能，可以通过改写有限的测试查询衍生出一堆语义等价的变体，从而扩大测试数据集，提升模型的鲁棒性。 2. Query改写的方法包括基于大模型的改写、词汇表改写和同义词改写，其中基于大模型的改写能够利用大模型的能力，基于原始查询生成语义等价的变体，从而提升测试覆盖率和模型的鲁棒性。 3. ROUGE-L和BLEU归一化验证是用来量化改写的Query与原始Query的质量，通过加权的ROUGE-L和(1-BLEU)分数来选择最佳查询，找出语义和多样性的平衡的结果。 4. 帕累托最优是一种方法，通过ROUGE-L和BLEU分数找出“无人能敌”的变体，形成“非支配前沿”，实现语义-多样性的“黄金权衡”。 5. 最详细：长者为王是一种简单粗暴的方法，按照改写的Query的长度排序，找出最长的改写Query返回，适合测试“长尾意图”场景。 6. 大模型的语义相似度是一种终极大招，利用“判官”大模型的思路，让这个大模型评价改写的Query和原Query的相似度，然后返回语义上最相似但是词汇上差异最大的结果。