GPT-4o mini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

夢晨 發自 凹非寺

量子位 | 公眾號 QbitAI

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徵做了降權處理，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，GoogleGemini-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滿血版並列第一，與網民的體感明顯不符。

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發佈之前，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。

那麼哪個更好？

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回歸中添加樣式特徵，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等用於大模型評估。

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於混雜變量，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、GoogleGemini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）。

有不少網民表示，調整後的困難任務榜單與自己的主觀印象更吻合了。

也有人覺得，正是榜單和衝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？或者有什麼更好的評估方法，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