यह पत्र मानव-जनित पुरस्कार संकेतों पर चर्चा करता है, जो जनरेटिव मॉडलों को मानवीय प्राथमिकताओं के साथ संरेखित करने में महत्वपूर्ण भूमिका निभाते हैं। मौजूदा दृष्टिकोण जो एलएलएम को मूल्यांकनकर्ता के रूप में उपयोग करते हैं (एलएलएम-ए-जज), मैन्युअल एनोटेशन की लागत को काफी कम कर देते हैं, लेकिन आमतौर पर व्यापक मोडैलिटी-विशिष्ट प्रशिक्षण डेटा की आवश्यकता होती है और विविध मल्टीमॉडलिटी कार्यों में अच्छी तरह से सामान्यीकरण करने के लिए संघर्ष करते हैं। इस पत्र में, हम फ्लेक्स-जज का प्रस्ताव करते हैं, जो एक अनुमान-आधारित मल्टीमॉडलिटी निर्णय मॉडल है जो न्यूनतम टेक्स्ट अनुमान डेटा का उपयोग करके कई मोडैलिटी और मूल्यांकन प्रारूपों में मजबूती से सामान्यीकृत होता है। मुख्य विचार यह है कि संरचित टेक्स्ट अनुमान स्पष्टीकरण स्वाभाविक रूप से सामान्यीकृत निर्णय पैटर्न को मूर्त रूप देते हैं, इस खोज के व्यापक निहितार्थ हैं, विशेष रूप से अणुओं जैसे तौर-तरीकों के लिए, जहाँ व्यापक मूल्यांकन मानकों का अभाव है, जो संसाधन-सीमित क्षेत्रों में इसके व्यावहारिक मूल्य को उजागर करता है। इस पत्र में प्रस्तुत ढाँचा, अनुमान-आधारित पाठ पर्यवेक्षण को मौजूदा एनोटेशन-गहन दृष्टिकोणों के एक शक्तिशाली और लागत-प्रभावी विकल्प के रूप में प्रस्तुत करके, स्केलेबल मल्टीमोडैलिटी मॉडल-एज़-ए-जज को महत्वपूर्ण रूप से आगे बढ़ाता है।
