"XX 發布最強開源大模型，多項基準測試全面超越 XX 等閉源模型！"
" 萬億參數開源模型 XX 強勢登頂全球開源模型榜首！"
" 國產之光！XX 模型在中文評測榜單拿下第一！"
隨著 AI 時代的到來，各位的朋友圈、微博等社交平臺是不是也常常被諸如此類的新聞刷屏了？
今天這個模型拿到了冠軍，明天那個模型變成了王者。評論區里有的人熱血沸騰，有的人一頭霧水。
一個又一個的現實問題擺在眼前：
這些模型所謂的 " 登頂 " 比的是什么？誰給它們評分，而評分的依據又是什么？為什么每個平臺的榜單座次都不一樣，到底誰更權威？
如果各位也產生了類似的困惑，說明各位已經開始從 " 看熱鬧 " 轉向 " 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 " 游戲規則 "。
01 類型一：客觀基準測試（Benchmark），給 AI 準備的 " 高考 "
人類社會中，高考分數是決定學生大學檔次的最主要評判標準。
同樣地，在 AI 領域，也有很多高度標準化的測試題，用來盡可能客觀地衡量 AI 模型在特定能力上的表現。
因此，在這個大模型產品頻繁推陳出新的時代，各家廠商推出新模型后，第一件事就是拿到 " 高考 " 考場上跑個分，是騾子是馬，拉出來遛遛。
Artificial Analysis 平臺提出了一項名為 "Artificial Analysis Intelligence Index（AAII）" 的綜合性評測基準，匯總了 7 個極為困難且專注于前沿能力的單項評測結果。
類似于股票價格指數，AAII 能夠給出衡量 AI 智能水平的綜合分數，尤其專注于需要深度推理、專業知識和復雜問題解決能力的任務。
這 7 項評測覆蓋了被普遍視作衡量高級智能核心的三個領域：知識推理、數學和編程。
（1）知識與推理領域
MMLU-Pro：
全稱 Massive Multitask Language Understanding - Professional Level
MMLU 的加強版。MMLU 涵蓋 57 個學科的知識問答測試，而 MMLU-Pro 在此基礎上，通過更復雜的提問方式和推理要求，進一步增加難度以測試模型在專業領域的知識廣度和深度推理能力。
GPQA Diamond：
全稱 Graduate - Level Google - Proof Q&A - Diamond Set
此測試機包含生物學、物理學和化學領域的專業問題。與其名稱對應，其設計初衷很直白：即使是相關領域的研究生，在允許使用 Google 搜索的情況下也很難在短時間內找到答案。而 Diamond 正是其中難度最高的一個子集，需要 AI 具備較強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）聯合發布的一項難度極高的基準測試，涵蓋科學、技術、工程、數學甚至是人文藝術等多個領域。題目大多為開放式，不僅需要 AI 進行多個步驟的復雜推理，還需要 AI 發揮一定的創造性。這項測試能夠有效評估 AI 是否具備跨學科的綜合問題解決能力。
（2）編程領域
LiveCodeBench：
這是一項貼近現實的編程能力測試。與傳統的編程測試只關注代碼的正確性不同，AI 會被置于一個 " 實時 " 的編程環境中，并根據問題描述和一組公開的測試用例編寫代碼，而代碼將會使用一組更復雜的隱藏測試用例運行并評分。這項測試主要考驗 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：
這一項編程測試則更偏向于學術性，專注于科學計算和編程。AI 需要理解復雜的科學問題并用代碼實現相應的算法或模擬。除了考驗編程技巧，還需要 AI 對科學原理具備一定深度的理解。
（3）數學領域
AIME：
全稱 American Invitational Mathematics Examination
美國高中生數學競賽體系中的一環，難度介于 AMC（美國數學競賽）和 USAMO（美國數學奧林匹克）之間。其題目具備較高的挑戰性，需要 AI 具備創造性的解題思路和數學功底，能夠衡量 AI 在高級數學領域中的推理能力。
MATH-500：
從大型數學問題數據集 "MATH" 中隨機抽取 500 道題構成的測試，覆蓋從初中到高中競賽水平的各類數學題目，涵蓋代數、幾何和數論等領域。題目以 LaTeX 格式給出，模型不僅要給出答案，還需要有詳細的解題步驟，是評估 AI 形式化數學推理和解題能力的重要標準。
圖：Artificial Analysis 的 AI 模型智能排行榜
不過，由于模型的用處不同，各大平臺并不會采用相同的測評標準。
例如，司南（OpenCompass）的大語言模型榜單根據其自有的閉源評測數據集（CompassBench）進行評測，我們無法得知具體測試規則，但該團隊面向社區提供了公開的驗證集，每隔 3 個月更新評測題目。
圖：OpenCompass 大語言模型榜
與此同時，該網站也選取了一些合作伙伴的評測集，針對 AI 模型的主流應用領域進行評測并發布了測試榜單：
而 HuggingFace 也有類似的開源大語言模型榜單，測評標準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
在這個榜單中，還增加了一些測評標準，并附有解釋：
IFEval：
全稱 Instruction-Following Evaluation
用于測評大語言模型遵循指令的能力，其重點在于格式化。這項測評不僅需要模型給出正確的回答，還注重于模型能否嚴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 基準測試中篩選出的一部分較為困難的任務，構成了專門為大語言模型設計的高難度問題集合。作為一張 " 綜合試卷 "，它包含多種類型的難題，如語言理解、數學推理、常識和世界知識等方面。不過，這份試卷上只有選擇題，評分標準為準確率。
MuSR：
全稱 Multistep Soft Reasoning
用于測試 AI 模型在長篇文本中進行復雜、多步驟推理能力的評測集。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串聯起來才能得到最終結論，即 " 多步驟 " 和 " 軟推理 "。此測評同樣采用選擇題的形式，以準確率為評分標準。
CO2 Cost：
這是最有趣的一項指標，因為大部分 LLM 榜單上都不會標注二氧化碳排放量。它只代表了模型的環保性和能源效率，而無法反映其聰明程度和性能。
同樣地，在 HuggingFace 上搜索 LLM Leaderboard，也可以看到有多個領域的排行榜。
圖：HuggingFace 上的其他大語言模型排行榜
可以看到，把客觀基準測試作為 AI 的 " 高考 "，其優點很明確：客觀、高效、可復現。
同時，可以快速衡量模型在某一領域或某一方面的 " 硬實力 "。
但伴隨 " 高考 " 而來的，則是應試教育固有的弊端。
模型可能在測試中受到數據污染的影響，導致分數虛高，但實際應用中卻一問三不知。
畢竟，在我們先前的大模型測評中，簡單的財務指標計算也可能出錯。
同時，客觀基準測試很難衡量模型的 " 軟實力 "。
文本上的創造力、答案的情商和幽默感、語言的優美程度，這些難以量化、平時不會特意拿出來說的衡量指標，卻決定著我們使用模型的體驗。
因此，當一個模型大規模宣傳自己在某個基準測試上 " 登頂 " 時，它就成為了 " 單科狀元 "，這已經是很了不起的成就，但離 " 全能學霸 " 還有很遠距離。
02 類型二：人類偏好競技場（Arena），匿名才藝大比拼
前面已經說過，客觀基準測試更注重于模型的 " 硬實力 "，但它無法回答一個最實際的問題：
一個模型，到底用起來 " 爽不爽 "？
一個模型可能在 MMLU 測試中知曉天文地理，但面對簡單的文字編輯任務卻束手無策；
一個模型可能在 MATH 測試中秒解代數幾何，卻無法理解用戶話語中的一絲幽默和諷刺。
面對上述困境，來自加州大學伯克利分校等高校的研究人員組成的 LMSys.org 團隊提出了一個想法：
" 既然模型最終為人而服務，那為什么不直接讓人來評判呢？"
這一次，評判標準不再是試卷和題集，評分標準交到了用戶手中。
LMSys Chatbot Arena，一個通過 " 盲測對戰 " 來對大語言模型進行排名的大型眾包平臺。
對戰時，兩個模型同時登場，并對同一個問題進行解答，由用戶決定誰輸誰贏。
用戶在投票前無法得知兩個 " 選手 " 的 " 真實身份 "，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，首先由用戶進行提問，系統會隨機挑選兩個不同的大語言模型，并將問題同時發送給它們。
匿名標注為 Assistant A 和 Assistant B 兩個模型生成的答案會并排顯示，而用戶需要根據自己的判斷，投票選擇最合適的回答。
而在投票后，系統才會告知用戶 Assistant A 和 Assistant B 分別是哪個模型，而這次投票也會加入到全球用戶的投票數據中。
圖：LMArena 文本能力排行榜
LMArena 中設計了七個分類的排行榜，分別是 Text（文本 / 語言能力）、WebDev（Web 開發）、Vision（視覺 / 圖像理解）、Text-to-Image（文生圖）、Image Edit（圖像編輯）、Search（搜索 / 聯網能力）和 Copilot（智能助力 / 代理能力）。
每個榜單都是由用戶的投票產生的，而 LMArena 采用的核心創新機制就是 Elo 評級系統。
這套系統最初用于國際象棋等雙人對戰游戲，可用于衡量選手的相對實力。
而在大模型排行榜中，每個模型都會有一個初始分數，即 Elo 分。
當模型 A 在一場對決中戰勝模型 B 時，模型 A 就可以從模型 B 那贏得一些分數。
而贏得多少分數，取決于對手有多少實力。如果擊敗了分數遠高于自己的模型，則會獲得大量分數；如果只是擊敗了分數遠低于自己的模型，則只能獲得少量分數。
因此，一旦輸給弱者，則會丟掉大量分數。
這個系統很適合處理大量的 "1v1" 成對比較數據，能夠判斷相對強弱而非絕對強弱，并能夠使排行榜動態更新，更具備可信度。
盡管有相關研究人員指出 LMArena 的排行榜存在私測特權、采樣不公等問題，但它仍是目前衡量大語言模型綜合實力較為權威的排行榜之一。
在 AI 新聞滿天飛的環境下，它的優勢在于消除用戶先入為主的偏見。
同時，我們前面提到的創造力、幽默感、語氣和寫作風格等難以量化的指標將在投票中得以體現，有助于衡量主觀質量。
但是，簡單的流程和直觀的 " 二選一 " 也為類似的競技場平臺帶來了不少局限性：
一是聚焦于單輪對話：其評測主要采取 " 一問一答 " 的方式，而對于需要多輪對話的任務則難以充分進行評估；
二是存在投票者偏差：這是統計中難以避免的現象，投票的用戶群體可能更偏向于技術愛好者，其問題類型和評判標準必然無法覆蓋普通用戶；
三是主觀性過強：用戶對于 " 好 " 和 " 壞 " 的評判過于主觀，而 Elo 分數則只是體現主觀偏好的平均結果；
四是缺失事實核查性：用戶在對兩個模型進行評判時，注意力往往放在答案的表述上，而忽視了回答內容的真實性。
03 我們到底該看哪個排行榜？
AI 江湖的 " 武林大會 " 遠不止我們提到的這些排行榜。隨著 AI 領域規模的不斷擴大，評測的戰場本身也變得越來越復雜和多元化。
很多學術機構或大型 AI 公司會發布自家的評測報告或自建榜單，體現出技術自信，但作為用戶，則需要 " 打個問號 "。
就像足球比賽有主客場之分，機構也可以巧妙地設計評測的維度和題目，使其恰好能放大某些模型的優勢，同時規避其弱點。
另一個更加宏大的趨勢是，大模型的評測榜單正在從 " 大一統 " 走向 " 精細化 "。
據不完全統計，迄今為止，全球已發布大模型總數達到 3755 個。
" 千模大戰 " 的時代，一份冗長的通用榜單，顯然無法滿足所有人的需求。
因此，評測的趨勢也不可避免地走向細分化和垂直化。
那么回到最初的核心問題：到底誰更權威？
觀點很明確：沒有任何一個單一的排行榜是絕對權威的。
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，我們務必要警惕——不是估值需求驅動，便是 PR 導向驅動。是騾子是馬，終究不是一個競技場能蓋棺定論的。
但對于普通用戶來說，評判一個模型的最終標準是唯一的：它是否真正對你有用。
評價和選擇模型，要先看應用場景。
如果你是程序員，就去試試 AI 編寫代碼、檢查和修復 Bug 的能力；
如果你是大學生，就讓 AI 去做文獻綜述，解釋學術名詞和概念；
如果你是營銷人，就看看 AI 能否寫出精彩的文案、構思和創意。
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，真如把實際問題交給它試一試，哪個模型能最高效優質地解決問題，它就是你的 " 私人冠軍 "。
來源：錦緞
