大模型競(jìng)技場(chǎng)的可信度，再次被錘。

最近一篇名為排行榜幻覺（The Leaderboard Illusion）的論文在學(xué)術(shù)圈引發(fā)關(guān)注。

它指出，如今被視為 LLM 領(lǐng)域首選排行榜的 Chatbot Arena，存在諸多系統(tǒng)問題。比如：

少數(shù)大廠可以私下測(cè)試多個(gè)模型版本，Llama4 在發(fā)布前甚至測(cè)了 27 個(gè)版本，然后只公開最佳表現(xiàn)。

數(shù)據(jù)訪問不平等，專有模型獲得的用戶反饋數(shù)據(jù)顯著多于開源模型。

試用 Arena 數(shù)據(jù)訓(xùn)練，可提升模型性能高達(dá) 112%。

205 個(gè)模型被悄悄靜默棄用，遠(yuǎn)超過官方列出的 47 個(gè)。

大神卡帕西也站出來表示，他個(gè)人也察覺出了一些異樣。

有一段時(shí)間，Claude-3.5 是我覺得最好用的模型，但是在競(jìng)技場(chǎng)中排名很低。當(dāng)時(shí)我在網(wǎng)上也看到了類似的反饋。

對(duì)于最新質(zhì)疑，大模型競(jìng)技場(chǎng)官方 Lmrena.ai 已經(jīng)給出回應(yīng)：

確實(shí)幫助廠商進(jìn)行測(cè)試，最后發(fā)布最受歡迎的版本；

但這不代表競(jìng)技場(chǎng)有偏見，排行榜反映數(shù)百萬人類的個(gè)人真實(shí)偏好。

快速刷榜不符合模型進(jìn)步實(shí)際情況

具體來看這項(xiàng)研究，它收集了 243 個(gè)模型的 200 + 萬場(chǎng)競(jìng)技場(chǎng) battle，并結(jié)合私人真實(shí)測(cè)試，通過模擬實(shí)驗(yàn)確定了不同情況下對(duì)模型排名的影響。

主要挖掘出了 4 方面問題。

第一，私人測(cè)試和有選擇性的結(jié)果報(bào)告。

少數(shù)大模型廠商（如 Meta、Google、Amazon）被允許私下測(cè)試多個(gè)模型變體，并只公開最佳表現(xiàn)的版本。

比如，Meta 在 Llama 4 發(fā)布前曾私下測(cè)試 27 個(gè)變體，加上多模態(tài)、代碼等榜單，Meta 可能一共測(cè)試過 43 個(gè)變體。

這種“最佳 N 選 1”策略導(dǎo)致排名膨脹。

例如，當(dāng)測(cè)試 5 個(gè)變體時(shí)，期望分?jǐn)?shù)增加了約 20 分；當(dāng)測(cè)試 20 個(gè)變體時(shí)，增加了約 40 分；當(dāng)測(cè)試 50 個(gè)變體時(shí)，增加了約 50 分。

研究團(tuán)隊(duì)認(rèn)為，當(dāng)多個(gè)大模型廠商采用這種策略時(shí)，他們實(shí)際上是在相互競(jìng)爭(zhēng)各自變體分布的最大值，而非真實(shí)的模型能力。

我們觀察到，像 Google、OpenAI 和 xAI 在短時(shí)間內(nèi)輪番霸榜，表明他們都在采用類似的策略。

例如，2024 年 11 月期間，Google 的 Gemini (Exp 1114)、OpenAI 的 ChatGPT-4o (20241120) 和 Google 的 Gemini (Exp 1121) 在一周內(nèi)先后占據(jù)榜首。類似地，2025 年 3 月 4 日，OpenAI 的 GPT-4.5 和 xAI 的 Grok-3 同一天爭(zhēng)奪榜首位置。

這種排行榜的快速變化不太可能反映真實(shí)的技術(shù)進(jìn)步，因?yàn)殚_發(fā)和完善一個(gè)全新的基礎(chǔ)模型通常需要數(shù)月時(shí)間。

相反，這很可能是多個(gè)大模型廠商同時(shí)使用“最佳 N 選 1”策略的結(jié)果，每個(gè)提供商都試圖優(yōu)化自己變體池中的最大值。

此外，團(tuán)隊(duì)還發(fā)現(xiàn)大模型廠商可以撤回表現(xiàn)不好的模型。

第二，數(shù)據(jù)訪問不平等。專有模型獲得的用戶反饋數(shù)據(jù)顯著多于開源模型。

Google 和 OpenAI 分別獲得了約 19.2% 和 20.4% 的所有測(cè)試數(shù)據(jù)，而全部 83 個(gè)開放權(quán)重模型僅獲得約 29.7% 的數(shù)據(jù)。

第三，大模型廠商使用競(jìng)技場(chǎng)數(shù)據(jù)進(jìn)行訓(xùn)練，排名可以顯著提升。

我們觀察到，將競(jìng)技場(chǎng)訓(xùn)練數(shù)據(jù)比例從 0% 增加到 70%，在 ArenaHard 上的勝率從 23.5% 提高到了 49.9%，實(shí)現(xiàn)了一倍多的增長(zhǎng)。

這還是一個(gè)保守估計(jì)，因?yàn)椴糠痔峁┥虛碛袛?shù)據(jù)訪問優(yōu)勢(shì)。

第四，研究發(fā)現(xiàn)，許多模型被”靜默棄用”（減少采樣率至接近 0%）。

在 243 個(gè)公開模型中，有 205 個(gè)被靜默棄用，遠(yuǎn)超過官方列出的 47 個(gè)。這種做法特別影響開源和開放權(quán)重模型，會(huì)導(dǎo)致排名不可靠。

在提出問題后，研究團(tuán)隊(duì)還給出了 5 點(diǎn)改進(jìn)建議：

禁止提交后撤回分?jǐn)?shù)

限制每個(gè)提供商的非正式模型數(shù)量

公平應(yīng)用模型棄用政策，所有模型一視同仁

實(shí)施公平采樣方法

提高模型棄用透明度，即時(shí)通知被淘汰模型

這項(xiàng)研究由 Cohere 團(tuán)隊(duì)、普林斯頓大學(xué)、斯坦福大學(xué)等機(jī)構(gòu)研究人員共同提出。

其中 Cohere 也是一家大模型廠商，由 Transformer 作者 Aidan Gomez 等人創(chuàng)辦，推出了 Command R + 系列模型。

“競(jìng)技場(chǎng)不應(yīng)該是唯一基準(zhǔn)參考”

大模型競(jìng)技場(chǎng)誕生 2 年來，因?yàn)闄C(jī)制的特殊性，其參考價(jià)值越來越高，大廠發(fā)模型也必來這里打榜，甚至是將未發(fā)布模型提前在此預(yù)熱造勢(shì)。

它最大的優(yōu)勢(shì)在于基于人類偏好評(píng)估，用戶可以在同一平臺(tái)上同時(shí)運(yùn)行多個(gè)聊天機(jī)器人模型，如 GPT-4、ChatGPT-3.5 等，并針對(duì)相同的問題或任務(wù)進(jìn)行比較分析，可以更直觀感受不同模型的差異。

最近一段時(shí)間，由于 Llama4 刷榜風(fēng)波，給競(jìng)技場(chǎng)的可信度也造成了一定影響。

對(duì)于這篇質(zhì)疑論文，官方現(xiàn)在已做出回應(yīng)。反駁了一些問題：

LMArena 模擬的缺陷：圖 7/8 中的模擬存在問題。這就像說：NBA 球員的平均三分命中率是 35%。斯蒂芬?庫(kù)里擁有 NBA 球員最高的三分命中率 42%。這不公平，因?yàn)樗麃碜?NBA 球員的分布，而所有球員都有相同的潛在平均水平。

數(shù)據(jù)不實(shí)：文章中的許多數(shù)據(jù)并不反映現(xiàn)實(shí)：請(qǐng)參閱幾天前發(fā)布的博客了解來自不同提供商測(cè)試模型數(shù)量的實(shí)際統(tǒng)計(jì)數(shù)據(jù)。例如，開放模型占比為 40%，而非文章聲稱的 8.8%！

112% 性能提升的誤導(dǎo)性說法：這一說法基于 LLM 評(píng)判基準(zhǔn)而非競(jìng)技場(chǎng)中的實(shí)際人類評(píng)估。

政策并非“不透明”：我們?cè)O(shè)計(jì)并公開分享了政策，且這一政策已存在一年多。

模型提供商并非只選擇“最佳分?jǐn)?shù)披露”：任何列在公共排行榜上的模型都必須是向所有人開放且有長(zhǎng)期支持計(jì)劃的生產(chǎn)模型。我們會(huì)繼續(xù)使用新數(shù)據(jù)對(duì)模型進(jìn)行至少一個(gè)月的測(cè)試。這些要點(diǎn)一直在我們的政策中明確說明。

展示非公開發(fā)布模型的分?jǐn)?shù)毫無意義：對(duì)于通過 API 或開放權(quán)重不公開可用的預(yù)發(fā)布模型顯示分?jǐn)?shù)沒有意義，因?yàn)樯鐓^(qū)無法使用這些模型或自行測(cè)試。這會(huì)違反我們一年多前就制定的政策。我們制定該政策正是為了明確這一規(guī)則：如果模型在排行榜上，它應(yīng)該可供使用。

模型移除不平等或不透明的說法不實(shí)：排行榜旨在反映社區(qū)興趣，對(duì)最佳 AI 模型進(jìn)行排名。我們也會(huì)淘汰不再向公眾開放的模型，這些標(biāo)準(zhǔn)在我們與社區(qū)進(jìn)行私人測(cè)試的整個(gè)期間都已在政策中公開說明。

至于情況到底如何，可能還要等子彈飛一會(huì)兒。

不過這倒是也給 AI 社區(qū)提了個(gè)醒，或許不能只參考一個(gè)榜單了。

卡帕西就給出了一個(gè)備選項(xiàng)：OpenRouter。

OpenRouter 可以提供一個(gè)統(tǒng)一 API 接口來訪問使用不同模型，而且更加關(guān)注實(shí)際使用案例。

盡管在多樣性和使用量上還不夠優(yōu)秀，但我認(rèn)為它有很大潛力。

參考鏈接：

[1]https://arxiv.org/abs/2504.20879

[2]https://x.com/karpathy/status/1917546757929722115

[3]https://x.com/lmarena_ai/status/1917492084359192890