"XX 發(fā)布最強(qiáng)開源大模型，多項(xiàng)基準(zhǔn)測試全面超越 XX 等閉源模型！"
" 萬億參數(shù)開源模型 XX 強(qiáng)勢登頂全球開源模型榜首！"
" 國產(chǎn)之光！XX 模型在中文評(píng)測榜單拿下第一！"
隨著 AI 時(shí)代的到來，各位的朋友圈、微博等社交平臺(tái)是不是也常常被諸如此類的新聞刷屏了？
今天這個(gè)模型拿到了冠軍，明天那個(gè)模型變成了王者。評(píng)論區(qū)里有的人熱血沸騰，有的人一頭霧水。
一個(gè)又一個(gè)的現(xiàn)實(shí)問題擺在眼前：
這些模型所謂的 " 登頂 " 比的是什么？誰給它們評(píng)分，而評(píng)分的依據(jù)又是什么？為什么每個(gè)平臺(tái)的榜單座次都不一樣，到底誰更權(quán)威？
如果各位也產(chǎn)生了類似的困惑，說明各位已經(jīng)開始從 " 看熱鬧 " 轉(zhuǎn)向 " 看門道 "。
本文之中，我們便來拆解一下不同類型 "AI 競技場 " ——也就是大語言模型排行榜——的 " 游戲規(guī)則 "。
01 類型一：客觀基準(zhǔn)測試（Benchmark），給 AI 準(zhǔn)備的 " 高考 "
人類社會(huì)中，高考分?jǐn)?shù)是決定學(xué)生大學(xué)檔次的最主要評(píng)判標(biāo)準(zhǔn)。
同樣地，在 AI 領(lǐng)域，也有很多高度標(biāo)準(zhǔn)化的測試題，用來盡可能客觀地衡量 AI 模型在特定能力上的表現(xiàn)。
因此，在這個(gè)大模型產(chǎn)品頻繁推陳出新的時(shí)代，各家廠商推出新模型后，第一件事就是拿到 " 高考 " 考場上跑個(gè)分，是騾子是馬，拉出來遛遛。
Artificial Analysis 平臺(tái)提出了一項(xiàng)名為 "Artificial Analysis Intelligence Index（AAII）" 的綜合性評(píng)測基準(zhǔn)，匯總了 7 個(gè)極為困難且專注于前沿能力的單項(xiàng)評(píng)測結(jié)果。
類似于股票價(jià)格指數(shù)，AAII 能夠給出衡量 AI 智能水平的綜合分?jǐn)?shù)，尤其專注于需要深度推理、專業(yè)知識(shí)和復(fù)雜問題解決能力的任務(wù)。
這 7 項(xiàng)評(píng)測覆蓋了被普遍視作衡量高級(jí)智能核心的三個(gè)領(lǐng)域：知識(shí)推理、數(shù)學(xué)和編程。
（1）知識(shí)與推理領(lǐng)域
MMLU-Pro：
全稱 Massive Multitask Language Understanding - Professional Level
MMLU 的加強(qiáng)版。MMLU 涵蓋 57 個(gè)學(xué)科的知識(shí)問答測試，而 MMLU-Pro 在此基礎(chǔ)上，通過更復(fù)雜的提問方式和推理要求，進(jìn)一步增加難度以測試模型在專業(yè)領(lǐng)域的知識(shí)廣度和深度推理能力。
GPQA Diamond：
全稱 Graduate - Level Google - Proof Q&A - Diamond Set
此測試機(jī)包含生物學(xué)、物理學(xué)和化學(xué)領(lǐng)域的專業(yè)問題。與其名稱對應(yīng)，其設(shè)計(jì)初衷很直白：即使是相關(guān)領(lǐng)域的研究生，在允許使用 Google 搜索的情況下也很難在短時(shí)間內(nèi)找到答案。而 Diamond 正是其中難度最高的一個(gè)子集，需要 AI 具備較強(qiáng)的推理能力和問題分解能力，而非簡單的信息檢索。
Humanity ’ s Last Exam：
由 Scale AI 和 Center for AI Safety（CAIS）聯(lián)合發(fā)布的一項(xiàng)難度極高的基準(zhǔn)測試，涵蓋科學(xué)、技術(shù)、工程、數(shù)學(xué)甚至是人文藝術(shù)等多個(gè)領(lǐng)域。題目大多為開放式，不僅需要 AI 進(jìn)行多個(gè)步驟的復(fù)雜推理，還需要 AI 發(fā)揮一定的創(chuàng)造性。這項(xiàng)測試能夠有效評(píng)估 AI 是否具備跨學(xué)科的綜合問題解決能力。
（2）編程領(lǐng)域
LiveCodeBench：
這是一項(xiàng)貼近現(xiàn)實(shí)的編程能力測試。與傳統(tǒng)的編程測試只關(guān)注代碼的正確性不同，AI 會(huì)被置于一個(gè) " 實(shí)時(shí) " 的編程環(huán)境中，并根據(jù)問題描述和一組公開的測試用例編寫代碼，而代碼將會(huì)使用一組更復(fù)雜的隱藏測試用例運(yùn)行并評(píng)分。這項(xiàng)測試主要考驗(yàn) AI 編程是否具備較高的魯棒性以及處理邊界情況的能力。
SciCode：
這一項(xiàng)編程測試則更偏向于學(xué)術(shù)性，專注于科學(xué)計(jì)算和編程。AI 需要理解復(fù)雜的科學(xué)問題并用代碼實(shí)現(xiàn)相應(yīng)的算法或模擬。除了考驗(yàn)編程技巧，還需要 AI 對科學(xué)原理具備一定深度的理解。
（3）數(shù)學(xué)領(lǐng)域
AIME：
全稱 American Invitational Mathematics Examination
美國高中生數(shù)學(xué)競賽體系中的一環(huán)，難度介于 AMC（美國數(shù)學(xué)競賽）和 USAMO（美國數(shù)學(xué)奧林匹克）之間。其題目具備較高的挑戰(zhàn)性，需要 AI 具備創(chuàng)造性的解題思路和數(shù)學(xué)功底，能夠衡量 AI 在高級(jí)數(shù)學(xué)領(lǐng)域中的推理能力。
MATH-500：
從大型數(shù)學(xué)問題數(shù)據(jù)集 "MATH" 中隨機(jī)抽取 500 道題構(gòu)成的測試，覆蓋從初中到高中競賽水平的各類數(shù)學(xué)題目，涵蓋代數(shù)、幾何和數(shù)論等領(lǐng)域。題目以 LaTeX 格式給出，模型不僅要給出答案，還需要有詳細(xì)的解題步驟，是評(píng)估 AI 形式化數(shù)學(xué)推理和解題能力的重要標(biāo)準(zhǔn)。
圖：Artificial Analysis 的 AI 模型智能排行榜
不過，由于模型的用處不同，各大平臺(tái)并不會(huì)采用相同的測評(píng)標(biāo)準(zhǔn)。
例如，司南（OpenCompass）的大語言模型榜單根據(jù)其自有的閉源評(píng)測數(shù)據(jù)集（CompassBench）進(jìn)行評(píng)測，我們無法得知具體測試規(guī)則，但該團(tuán)隊(duì)面向社區(qū)提供了公開的驗(yàn)證集，每隔 3 個(gè)月更新評(píng)測題目。
圖：OpenCompass 大語言模型榜
與此同時(shí)，該網(wǎng)站也選取了一些合作伙伴的評(píng)測集，針對 AI 模型的主流應(yīng)用領(lǐng)域進(jìn)行評(píng)測并發(fā)布了測試榜單：
而 HuggingFace 也有類似的開源大語言模型榜單，測評(píng)標(biāo)準(zhǔn)中包含了前面提過的 MATH、GPQA 和 MMLU-Pro：
圖：HuggingFace 上的開源大語言模型排行榜
在這個(gè)榜單中，還增加了一些測評(píng)標(biāo)準(zhǔn)，并附有解釋：
IFEval：
全稱 Instruction-Following Evaluation
用于測評(píng)大語言模型遵循指令的能力，其重點(diǎn)在于格式化。這項(xiàng)測評(píng)不僅需要模型給出正確的回答，還注重于模型能否嚴(yán)格按照用戶給出的特定格式來輸出答案。
BBH：
全稱 Big Bench Hard
從 Big Bench 基準(zhǔn)測試中篩選出的一部分較為困難的任務(wù)，構(gòu)成了專門為大語言模型設(shè)計(jì)的高難度問題集合。作為一張 " 綜合試卷 "，它包含多種類型的難題，如語言理解、數(shù)學(xué)推理、常識(shí)和世界知識(shí)等方面。不過，這份試卷上只有選擇題，評(píng)分標(biāo)準(zhǔn)為準(zhǔn)確率。
MuSR：
全稱 Multistep Soft Reasoning
用于測試 AI 模型在長篇文本中進(jìn)行復(fù)雜、多步驟推理能力的評(píng)測集。其測試過程類似于人類的 " 閱讀理解 "，在閱讀文章后，需要將散落在不同地方的線索和信息點(diǎn)串聯(lián)起來才能得到最終結(jié)論，即 " 多步驟 " 和 " 軟推理 "。此測評(píng)同樣采用選擇題的形式，以準(zhǔn)確率為評(píng)分標(biāo)準(zhǔn)。
CO2 Cost：
這是最有趣的一項(xiàng)指標(biāo)，因?yàn)榇蟛糠?LLM 榜單上都不會(huì)標(biāo)注二氧化碳排放量。它只代表了模型的環(huán)保性和能源效率，而無法反映其聰明程度和性能。
同樣地，在 HuggingFace 上搜索 LLM Leaderboard，也可以看到有多個(gè)領(lǐng)域的排行榜。
圖：HuggingFace 上的其他大語言模型排行榜
可以看到，把客觀基準(zhǔn)測試作為 AI 的 " 高考 "，其優(yōu)點(diǎn)很明確：客觀、高效、可復(fù)現(xiàn)。
同時(shí)，可以快速衡量模型在某一領(lǐng)域或某一方面的 " 硬實(shí)力 "。
但伴隨 " 高考 " 而來的，則是應(yīng)試教育固有的弊端。
模型可能在測試中受到數(shù)據(jù)污染的影響，導(dǎo)致分?jǐn)?shù)虛高，但實(shí)際應(yīng)用中卻一問三不知。
畢竟，在我們先前的大模型測評(píng)中，簡單的財(cái)務(wù)指標(biāo)計(jì)算也可能出錯(cuò)。
同時(shí)，客觀基準(zhǔn)測試很難衡量模型的 " 軟實(shí)力 "。
文本上的創(chuàng)造力、答案的情商和幽默感、語言的優(yōu)美程度，這些難以量化、平時(shí)不會(huì)特意拿出來說的衡量指標(biāo)，卻決定著我們使用模型的體驗(yàn)。
因此，當(dāng)一個(gè)模型大規(guī)模宣傳自己在某個(gè)基準(zhǔn)測試上 " 登頂 " 時(shí)，它就成為了 " 單科狀元 "，這已經(jīng)是很了不起的成就，但離 " 全能學(xué)霸 " 還有很遠(yuǎn)距離。
02 類型二：人類偏好競技場（Arena），匿名才藝大比拼
前面已經(jīng)說過，客觀基準(zhǔn)測試更注重于模型的 " 硬實(shí)力 "，但它無法回答一個(gè)最實(shí)際的問題：
一個(gè)模型，到底用起來 " 爽不爽 "？
一個(gè)模型可能在 MMLU 測試中知曉天文地理，但面對簡單的文字編輯任務(wù)卻束手無策；
一個(gè)模型可能在 MATH 測試中秒解代數(shù)幾何，卻無法理解用戶話語中的一絲幽默和諷刺。
面對上述困境，來自加州大學(xué)伯克利分校等高校的研究人員組成的 LMSys.org 團(tuán)隊(duì)提出了一個(gè)想法：
" 既然模型最終為人而服務(wù)，那為什么不直接讓人來評(píng)判呢？"
這一次，評(píng)判標(biāo)準(zhǔn)不再是試卷和題集，評(píng)分標(biāo)準(zhǔn)交到了用戶手中。
LMSys Chatbot Arena，一個(gè)通過 " 盲測對戰(zhàn) " 來對大語言模型進(jìn)行排名的大型眾包平臺(tái)。
對戰(zhàn)時(shí)，兩個(gè)模型同時(shí)登場，并對同一個(gè)問題進(jìn)行解答，由用戶決定誰輸誰贏。
用戶在投票前無法得知兩個(gè) " 選手 " 的 " 真實(shí)身份 "，有效消除了刻板偏見。
對于一般用戶來說，LMArena 的使用方法非常簡單：
登錄 https://lmarena.ai/ 后，首先由用戶進(jìn)行提問，系統(tǒng)會(huì)隨機(jī)挑選兩個(gè)不同的大語言模型，并將問題同時(shí)發(fā)送給它們。
匿名標(biāo)注為 Assistant A 和 Assistant B 兩個(gè)模型生成的答案會(huì)并排顯示，而用戶需要根據(jù)自己的判斷，投票選擇最合適的回答。
而在投票后，系統(tǒng)才會(huì)告知用戶 Assistant A 和 Assistant B 分別是哪個(gè)模型，而這次投票也會(huì)加入到全球用戶的投票數(shù)據(jù)中。
圖：LMArena 文本能力排行榜
LMArena 中設(shè)計(jì)了七個(gè)分類的排行榜，分別是 Text（文本 / 語言能力）、WebDev（Web 開發(fā)）、Vision（視覺 / 圖像理解）、Text-to-Image（文生圖）、Image Edit（圖像編輯）、Search（搜索 / 聯(lián)網(wǎng)能力）和 Copilot（智能助力 / 代理能力）。
每個(gè)榜單都是由用戶的投票產(chǎn)生的，而 LMArena 采用的核心創(chuàng)新機(jī)制就是 Elo 評(píng)級(jí)系統(tǒng)。
這套系統(tǒng)最初用于國際象棋等雙人對戰(zhàn)游戲，可用于衡量選手的相對實(shí)力。
而在大模型排行榜中，每個(gè)模型都會(huì)有一個(gè)初始分?jǐn)?shù)，即 Elo 分。
當(dāng)模型 A 在一場對決中戰(zhàn)勝模型 B 時(shí)，模型 A 就可以從模型 B 那贏得一些分?jǐn)?shù)。
而贏得多少分?jǐn)?shù)，取決于對手有多少實(shí)力。如果擊敗了分?jǐn)?shù)遠(yuǎn)高于自己的模型，則會(huì)獲得大量分?jǐn)?shù)；如果只是擊敗了分?jǐn)?shù)遠(yuǎn)低于自己的模型，則只能獲得少量分?jǐn)?shù)。
因此，一旦輸給弱者，則會(huì)丟掉大量分?jǐn)?shù)。
這個(gè)系統(tǒng)很適合處理大量的 "1v1" 成對比較數(shù)據(jù)，能夠判斷相對強(qiáng)弱而非絕對強(qiáng)弱，并能夠使排行榜動(dòng)態(tài)更新，更具備可信度。
盡管有相關(guān)研究人員指出 LMArena 的排行榜存在私測特權(quán)、采樣不公等問題，但它仍是目前衡量大語言模型綜合實(shí)力較為權(quán)威的排行榜之一。
在 AI 新聞滿天飛的環(huán)境下，它的優(yōu)勢在于消除用戶先入為主的偏見。
同時(shí)，我們前面提到的創(chuàng)造力、幽默感、語氣和寫作風(fēng)格等難以量化的指標(biāo)將在投票中得以體現(xiàn)，有助于衡量主觀質(zhì)量。
但是，簡單的流程和直觀的 " 二選一 " 也為類似的競技場平臺(tái)帶來了不少局限性：
一是聚焦于單輪對話：其評(píng)測主要采取 " 一問一答 " 的方式，而對于需要多輪對話的任務(wù)則難以充分進(jìn)行評(píng)估；
二是存在投票者偏差：這是統(tǒng)計(jì)中難以避免的現(xiàn)象，投票的用戶群體可能更偏向于技術(shù)愛好者，其問題類型和評(píng)判標(biāo)準(zhǔn)必然無法覆蓋普通用戶；
三是主觀性過強(qiáng)：用戶對于 " 好 " 和 " 壞 " 的評(píng)判過于主觀，而 Elo 分?jǐn)?shù)則只是體現(xiàn)主觀偏好的平均結(jié)果；
四是缺失事實(shí)核查性：用戶在對兩個(gè)模型進(jìn)行評(píng)判時(shí)，注意力往往放在答案的表述上，而忽視了回答內(nèi)容的真實(shí)性。
03 我們到底該看哪個(gè)排行榜？
AI 江湖的 " 武林大會(huì) " 遠(yuǎn)不止我們提到的這些排行榜。隨著 AI 領(lǐng)域規(guī)模的不斷擴(kuò)大，評(píng)測的戰(zhàn)場本身也變得越來越復(fù)雜和多元化。
很多學(xué)術(shù)機(jī)構(gòu)或大型 AI 公司會(huì)發(fā)布自家的評(píng)測報(bào)告或自建榜單，體現(xiàn)出技術(shù)自信，但作為用戶，則需要 " 打個(gè)問號(hào) "。
就像足球比賽有主客場之分，機(jī)構(gòu)也可以巧妙地設(shè)計(jì)評(píng)測的維度和題目，使其恰好能放大某些模型的優(yōu)勢，同時(shí)規(guī)避其弱點(diǎn)。
另一個(gè)更加宏大的趨勢是，大模型的評(píng)測榜單正在從 " 大一統(tǒng) " 走向 " 精細(xì)化 "。
據(jù)不完全統(tǒng)計(jì)，迄今為止，全球已發(fā)布大模型總數(shù)達(dá)到 3755 個(gè)。
" 千模大戰(zhàn) " 的時(shí)代，一份冗長的通用榜單，顯然無法滿足所有人的需求。
因此，評(píng)測的趨勢也不可避免地走向細(xì)分化和垂直化。
那么回到最初的核心問題：到底誰更權(quán)威？
觀點(diǎn)很明確：沒有任何一個(gè)單一的排行榜是絕對權(quán)威的。
排行榜終究是參考，甚至不客氣的說，"AI 競技場 " 歸根到底只是一門生意。對于高頻刷榜的模型，我們務(wù)必要警惕——不是估值需求驅(qū)動(dòng)，便是 PR 導(dǎo)向驅(qū)動(dòng)。是騾子是馬，終究不是一個(gè)競技場能蓋棺定論的。
但對于普通用戶來說，評(píng)判一個(gè)模型的最終標(biāo)準(zhǔn)是唯一的：它是否真正對你有用。
評(píng)價(jià)和選擇模型，要先看應(yīng)用場景。
如果你是程序員，就去試試 AI 編寫代碼、檢查和修復(fù) Bug 的能力；
如果你是大學(xué)生，就讓 AI 去做文獻(xiàn)綜述，解釋學(xué)術(shù)名詞和概念；
如果你是營銷人，就看看 AI 能否寫出精彩的文案、構(gòu)思和創(chuàng)意。
別讓 " 登頂 " 的喧囂干擾了你的判斷。
大模型是工具，不是神。看懂排行榜，是為了更好地選擇工具。
與其迷信排行榜，真如把實(shí)際問題交給它試一試，哪個(gè)模型能最高效優(yōu)質(zhì)地解決問題，它就是你的 " 私人冠軍 "。
來源：錦緞
