“XX發(fā)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(shù)開源模型XX強勢登頂全球開源模型榜首！”

“國產(chǎn)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(qū)里有的人熱血沸騰，有的人一頭霧水。

一個又一個的現(xiàn)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(jù)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(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：客觀基準測試（Benchmark），給AI準備的“高考”

人類社會中，高考分數(shù)是決定學(xué)生大學(xué)檔次的最主要評判標準。

同樣地，在AI領(lǐng)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(xiàn)。

因此，在這個大模型產(chǎn)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(jié)果。

類似于股票價格指數(shù)，AAII能夠給出衡量AI智能水平的綜合分數(shù)，尤其專注于需要深度推理、專業(yè)知識和復(fù)雜問題解決能力的任務(wù)。

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(lǐng)域：知識推理、數(shù)學(xué)和編程。

（1）知識與推理領(lǐng)域

MMLU-Pro：

全稱Massive Multitask Language Understanding - Professional Level

MMLU的加強版。MMLU涵蓋57個學(xué)科的知識問答測試，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，進一步增加難度以測試模型在專業(yè)領(lǐng)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(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間內(nèi)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(lián)合發(fā)布的一項難度極高的基準測試，涵蓋科學(xué)、技術(shù)、工程、數(shù)學(xué)甚至是人文藝術(shù)等多個領(lǐng)域。題目大多為開放式，不僅需要AI進行多個步驟的復(fù)雜推理，還需要AI發(fā)揮一定的創(chuàng)造性。這項測試能夠有效評估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：

這是一項貼近現(xiàn)實的編程能力測試。與傳統(tǒng)的編程測試只關(guān)注代碼的正確性不同，AI會被置于一個“實時”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，而代碼將會使用一組更復(fù)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(xué)術(shù)性，專注于科學(xué)計算和編程。AI需要理解復(fù)雜的科學(xué)問題并用代碼實現(xiàn)相應(yīng)的算法或模擬。除了考驗編程技巧，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，還需要有詳細的解題步驟，是評估AI形式化數(shù)學(xué)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(jù)其自有的閉源評測數(shù)據(jù)集（CompassBench）進行評測，我們無法得知具體測試規(guī)則，但該團隊面向社區(qū)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(wǎng)站也選取了一些合作伙伴的評測集，針對AI模型的主流應(yīng)用領(lǐng)域進行評測并發(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(wù)，構(gòu)成了專門為大語言模型設(shè)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(shù)學(xué)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(fù)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(lián)起來才能得到最終結(jié)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。

CO2Cost：

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(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，把客觀基準測試作為AI的“高考”，其優(yōu)點很明確：客觀、高效、可復(fù)現(xiàn)。

同時，可以快速衡量模型在某一領(lǐng)域或某一方面的“硬實力”。

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)致分數(shù)虛高，但實際應(yīng)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(wù)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(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(guī)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(jīng)是很了不起的成就，但離“全能學(xué)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(jīng)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(wù)卻束手無策；

一個模型可能在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團隊提出了一個想法：

“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(zhàn)”來對大語言模型進行排名的大型眾包平臺。

對戰(zhàn)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(tǒng)會隨機挑選兩個不同的大語言模型，并將問題同時發(fā)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(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(shù)據(jù)中。

圖：LMArena文本能力排行榜

LMArena中設(shè)計了七個分類的排行榜，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)新機制就是Elo評級系統(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力。

而在大模型排行榜中，每個模型都會有一個初始分數(shù)，即Elo分。

當模型A在一場對決中戰(zhàn)勝模型B時，模型A就可以從模型B那贏得一些分數(shù)。

而贏得多少分數(shù)，取決于對手有多少實力。如果擊敗了分數(shù)遠高于自己的模型，則會獲得大量分數(shù)；如果只是擊敗了分數(shù)遠低于自己的模型，則只能獲得少量分數(shù)。

因此，一旦輸給弱者，則會丟掉大量分數(shù)。

這個系統(tǒng)很適合處理大量的“1v1”成對比較數(shù)據(jù)，能夠判斷相對強弱而非絕對強弱，并能夠使排行榜動態(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，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(wù)則難以充分進行評估；

二是存在投票者偏差：這是統(tǒng)計中難以避免的現(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(shù)則只是體現(xiàn)主觀偏好的平均結(jié)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(nèi)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(lǐng)域規(guī)模的不斷擴大，評測的戰(zhàn)場本身也變得越來越復(fù)雜和多元化。

很多學(xué)術(shù)機構(gòu)或大型AI公司會發(fā)布自家的評測報告或自建榜單，體現(xiàn)出技術(shù)自信，但作為用戶，則需要“打個問號”。

就像足球比賽有主客場之分，機構(gòu)也可以巧妙地設(shè)計評測的維度和題目，使其恰好能放大某些模型的優(yōu)勢，同時規(guī)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(tǒng)”走向“精細化”。

據(jù)不完全統(tǒng)計，迄今為止，全球已發(fā)布大模型總數(shù)達到3755個。

“千模大戰(zhàn)”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(quán)威？

觀點很明確：沒有任何一個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，便是PR導(dǎo)向驅(qū)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(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，真如把實際問題交給它試一試，哪個模型能最高效優(yōu)質(zhì)地解決問題，它就是你的“私人冠軍”。