最近，來自LMSYS Org（UC伯克利主導(dǎo)）的研究人員又搞了個大新聞——大語言模型版排位賽！

顧名思義，「LLM排位賽」就是讓一群大語言模型隨機進行battle，并根據(jù)它們的Elo得分進行排名。

然后，我們就能一眼看出，某個聊天機器人到底是「嘴強王者」還是「最強王者」。

劃重點：團隊還計劃把國內(nèi)和國外的這些「閉源」模型都搞進來，是騾子是馬溜溜就知道了！（GPT-3.5現(xiàn)在就已經(jīng)在匿名競技場里了）

匿名聊天機器人競技場長下面這樣：

很明顯，模型B回答正確，拿下這局；而模型A連題都沒讀懂……

項目地址：https://arena.lmsys.org/

在當前的排行榜中，130億參數(shù)的Vicuna以1169分穩(wěn)居第一，同樣130億參數(shù)的Koala位列第二，LAION的Open Assistant排在第三。

清華提出的ChatGLM，雖然只有60億參數(shù)，但依然沖進了前五，只比130億參數(shù)的Alpaca落后了23分。

相比之下，Meta原版的LLaMa只排到了第八（倒數(shù)第二），而Stability AI的StableLM則獲得了唯一的800+分，排名倒數(shù)第一。

團隊表示，之后不僅會定期更新排位賽榜單，而且還會優(yōu)化算法和機制，并根據(jù)不同的任務(wù)類型提供更加細化的排名。

目前，所有的評估代碼以及數(shù)據(jù)分析均已公布。

拉著LLM打排位

在這次的評估中，團隊選擇了目前比較出名的9個開源聊天機器人。

每次1v1對戰(zhàn)，系統(tǒng)都會隨機拉兩個上場PK。用戶則需要同時和這兩個機器人聊天，然后決定哪個聊天機器人聊的更好。

可以看到，頁面下面有4個選項，左邊（A）更好，右邊（B）更好，一樣好，或者都很差。

當用戶提交投票之后，系統(tǒng)就會顯示模型的名稱。這時，用戶可以繼續(xù)聊天，或者選擇新的模型重新開啟一輪對戰(zhàn)。

不過，團隊在分析時，只會采用模型是匿名時的投票結(jié)果。在經(jīng)過差不多一周的數(shù)據(jù)收集之后，團隊共收獲了4.7k個有效的匿名投票。

在開始之前，團隊先根據(jù)基準測試的結(jié)果，掌握了各個模型可能的排名。

根據(jù)這個排名，團隊會讓模型去優(yōu)先選擇更合適的對手。

然后，再通過均勻采樣，來獲得對排名的更好總體覆蓋。

在排位賽結(jié)束時，團隊又引入了一種新模型fastchat-t5-3b。

以上這些操作最終導(dǎo)致了非均勻的模型頻率。

每個模型組合的對戰(zhàn)次數(shù)

從統(tǒng)計數(shù)據(jù)來看，大多數(shù)用戶所用的都是英語，中文排在第二位。

排名前15的語言的對戰(zhàn)次數(shù)

評估LLM，真的很難

自從ChatGPT爆火之后，經(jīng)過指令跟隨微調(diào)的開源大語言模型如雨后春筍一般大量涌現(xiàn)?？梢哉f，幾乎每周都有新的開源LLM在發(fā)布。

但問題是，評估這些大語言模型非常難。

具體來說，目前用來衡量一個模型好不好的東西基本都是基于一些學(xué)術(shù)的benchmark，比如在一個某個NLP任務(wù)上構(gòu)建一個測試數(shù)據(jù)集，然后看測試數(shù)據(jù)集上準確率多少。

然而，這些學(xué)術(shù)benchmark（如HELM）在大模型和聊天機器人上就不好用了。其原因在于：

1. 由于評判聊天機器人聊得好不好這件事是非常主觀的，因此現(xiàn)有的方法很難對其進行衡量。

2. 這些大模型在訓(xùn)練的時候就幾乎把整個互聯(lián)網(wǎng)的數(shù)據(jù)都掃了一個遍，因此很難保證測試用的數(shù)據(jù)集沒有被看到過。甚至更進一步，用測試集直接對模型進行「特訓(xùn)」，如此一來表現(xiàn)必然更好。

3. 理論上我們可以和聊天機器人聊任何事情，但很多話題或者任務(wù)在現(xiàn)存的benchmark里面根本就不存在。

那如果不想采用這些benchmark的話，其實還有一條路可以走——花錢請人來給模型打分。

實際上，OpenAI就是這么搞的。但是這個方法明顯很慢，而且更重要的是，太貴了……

為了解決這個棘手的問題，來自UC伯克利、UCSD、CMU的團隊發(fā)明了一種既好玩又實用的全新機制——聊天機器人競技場（Chatbot Arena）。

相比而言，基于對戰(zhàn)的基準系統(tǒng)具有以下優(yōu)勢：

• 可擴展性（Scalability）

當不能為所有潛在的模型對收集足夠的數(shù)據(jù)時，系統(tǒng)應(yīng)能擴展到盡可能多的模型。

• 增量性（Incrementality）

系統(tǒng)應(yīng)能夠使用相對較少的試驗次數(shù)評估新模型。

• 唯一順序（Unique order）

系統(tǒng)應(yīng)為所有模型提供唯一順序。給定任意兩個模型，我們應(yīng)該能夠判斷哪個排名更高或它們是否并列。

Elo評分系統(tǒng)

Elo等級分制度（Elo rating system）是一種計算玩家相對技能水平的方法，廣泛應(yīng)用在競技游戲和各類運動當中。其中，Elo評分越高，那么就說明這個玩家越厲害。

比如英雄聯(lián)盟、Dota 2以及吃雞等等，系統(tǒng)給玩家進行排名的就是這個機制。

舉個例子，當你在英雄聯(lián)盟里面打了很多場排位賽后，就會出現(xiàn)一個隱藏分。這個隱藏分不僅決定了你的段位，也決定了你打排位時碰到的對手基本也是類似水平的。

而且，這個Elo評分的數(shù)值是絕對的。也就是說，當未來加入新的聊天機器人時，我們依然可以直接通過Elo的評分來判斷哪個聊天機器人更厲害。

具體來說，如果玩家A的評分為Ra，玩家B的評分為Rb，玩家A獲勝概率的精確公式（使用以10為底的logistic曲線）為：

然后，玩家的評分會在每場對戰(zhàn)后線性更新。

假設(shè)玩家A（評分為Ra）預(yù)計獲得Ea分，但實際獲得Sa分。更新該玩家評分的公式為：

1v1勝率

此外，作者還展示了排位賽中每個模型的對戰(zhàn)勝率以及使用Elo評分估算的預(yù)測對戰(zhàn)勝率。

結(jié)果顯示，Elo評分確實可以相對準確地進行預(yù)測

所有非平局A對B戰(zhàn)斗中模型A勝利的比例

在A對B戰(zhàn)斗中，使用Elo評分預(yù)測的模型A的勝率

作者介紹

「聊天機器人競技場」由前小羊駝作者機構(gòu)LMSYS Org發(fā)布。

該機構(gòu)由UC伯克利博士Lianmin Zheng和UCSD準教授Hao Zhang創(chuàng)立，目標是通過共同開發(fā)開放的數(shù)據(jù)集、模型、系統(tǒng)和評估工具，使每個人都能獲得大型模型。

Lianmin Zheng

Lianmin Zheng是加州大學(xué)伯克利分校EECS系的博士生，他的研究興趣包括機器學(xué)習(xí)系統(tǒng)、編譯器和分布式系統(tǒng)。

Hao Zhang

Hao Zhang目前是加州大學(xué)伯克利分校的博士后研究員。他將于2023年秋季開始在加州大學(xué)圣地亞哥分校Hal?c?o?lu數(shù)據(jù)科學(xué)研究所和計算機系擔(dān)任助理教授。