Subset Selection via Rank Correlation Prediction for Data-Efficient LLM Evaluation (SubLlME) ist eine neuartige Bewertungsmethode, die im Juli 2025 von HP Labs und anderen Teams vorgeschlagen wurde. Ziel ist es, eine effiziente und genaue Bewertung der Modellleistung durch Rangkorrelationsvorhersage zu erreichen, ohne dass eine vollständige Bewertung erforderlich ist.SubLIME: Teilmengenauswahl mittels Rangkorrelationsvorhersage für eine dateneffiziente LLM-Auswertung“, das mit dem ACL 25 Best Theme Paper Award ausgezeichnet wurde.

SubLIME greift auf die Bewertungsstrategie des Olympischen Mathematikwettbewerbs zurück. Durch die intelligente Auswahl einer kleinen, aber repräsentativen Teilmenge prognostiziert es die relative Leistung von Modellen in der Gesamtbewertung. Dadurch werden die Bewertungskosten erheblich reduziert (Reduzierung von 80%–99%) und gleichzeitig hochkonsistente Ergebnisse bei der Modellbewertung erzielt.