대규모 언어 모델(LLM) 및 기타 AI 시스템의 성능을 확률적 출력으로부터 강건하게 추정하고, 이러한 추정의 불확실성을 체계적으로 정량화하는 것이 점점 중요해지고 있습니다. 고급 AI 평가는 종종 중첩된 계층 구조를 가지고 있으며, 복잡성이 높고, 최첨단 AI 시스템을 테스트하는 데 높은 비용이 소요됩니다. 이러한 과제를 해결하기 위해, 본 논문에서는 AI 평가 통계를 위한 일반화 가능한 계층적 베이지안 모델링 프레임워크인 HiBayES를 소개합니다. HiBayES는 특히 데이터가 적은 시나리오(예: 평가당 20개 미만의 데이터 포인트)에서 고전적인 질문-답변 벤치마크와 고급 에이전트 평가에서 강력한 추론을 지원합니다. 일반화 선형 모델(GLM), 베이지안 데이터 분석 및 공식적인 모델 비교를 기반으로 HiBayES는 원칙에 기반한 불확실성 정량화와 강력한 매개변수 추정을 제공합니다. 본 논문은 예시, 기존 통계 방법과의 비교, 다수준 베이지안 GLM 구현을 위한 실용적인 지침을 포함하여 HiBayES에 대한 포괄적인 소개를 제공합니다. 또한, 바로 사용할 수 있는 구현을 위한 HiBayES 소프트웨어 패키지[4](베타 버전)를 제공합니다.