新火種
2024-09-04 
GPT-4omini排名雪崩，大模型競技場規則更新，奧特曼刷分小技巧無效了
大模型競技場規則更新，GPT-4o mini排名立刻雪崩，跌出前10。
新榜單對AI回答的長度和風格等特征做了降權處理，確保分數反映模型真正解決問題的能力。
想用漂亮的格式、增加小標題數量等技巧討好用戶、刷榜，現在統統沒用了。
在新規則下，奧特曼的GPT-4o mini、馬斯克的Grok-2系列排名顯著下降，谷歌Gemini-1.5-flash小模型也有所回落。
Claude系列、Llama-3.1-405b大模型分數則紛紛上漲。
只計算困難任務（Hard Prompt）的情況下，大模型在風格控制榜單中的優勢更加明顯。
此前GPT-4o mini小模型一度登頂，與GPT-4o滿血版并列第一，與網友的體感明顯不符。
Lmsys大模型競技場這個一度被Karpathy推薦的評價標準，口碑也跌落到“只能反映用戶喜好而不是模型能力了”。
Lmsys組織痛定思痛，先是公開了GPT-4o mini參與的1000場battle數據，從而分析出模型拒絕回答率、生成內容長度、和格式排版是影響投票結果的幾個因素。
而且奧特曼還在GPT-4o mini發布之前，暗示了正是按照人類偏好做優化的。
現在，Lmsys進一步推出了控制這些因素的新算法，而且還只是規劃中的第一步。
如何控制風格的影響？假設有模型A擅長生成代碼、事實和無偏見的答案等，但它的輸出非常簡潔。
模型B在實質內容（例如正確性）上不是很好，但它輸出的內容長而詳細、格式排版華麗。
那么哪個更好？
答案不是唯一的，Lmsys嘗試用數學方法找出一個模型的得分有多少是內容或風格貢獻的。
此外，最近也已經有研究表明，人類對排版漂亮和更詳細的AI回答可能存在偏好性。
通過在Bradley-Terry回歸中添加樣式特征，如響應長度、markdown小標題的數量、列表和加粗文本數量作為自變量。
這是統計學中的一種常用技術，最近被AlpacaEval LC等用于大模型評估。
在回歸中包含任何混雜變量（例如回答長度），可以將分數的增加歸因于混雜變量，而不是模型能力本身。
相關代碼已在Google Colab上公開。
此外團隊還對“只控制長度”和“只控制格式”做了消融實驗。GPT-4o mini、谷歌Gemini系列分數受格式影響更大。
不過這種做法也存在局限性，比如可能存在未觀察到的混雜因素，例如長度和回答質量之間的正相關，這些因素沒有被考慮在內（例如思維鏈提示）。
有不少網友表示，調整后的困難任務榜單與自己的主觀印象更吻合了。
也有人覺得，正是榜單和沖榜的大模型公司這種來回博弈，才能讓整個領域一起進步。
你還在參考大模型競技場結果選擇模型嗎？或者有什么更好的評估方法，歡迎在評論區分享。
參考鏈接：[1]https://x.com/lmsysorg/status/1829216988021043645[2]https://lmsys.org/blog/2024-08-28-style-control/[3]https://arxiv.org/abs/2402.10669
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
