如果試題太簡單，學(xué)霸和學(xué)渣都能考90分，拉不開差距……

隨著Claude 3、Llama 3甚至之后GPT-5等更強(qiáng)模型發(fā)布，業(yè)界急需一款更難、更有區(qū)分度的基準(zhǔn)測試。

大模型競技場背后組織LMSYS推出下一代基準(zhǔn)測試Arena-Hard，引起廣泛關(guān)注。

Llama 3的兩個指令微調(diào)版本實(shí)力到底如何，也有了最新參考。

與之前大家分?jǐn)?shù)都相近的MT Bench相比，Arena-Hard區(qū)分度從22.6%提升到87.4%，孰強(qiáng)孰弱一目了然。

Arena-Hard利用競技場實(shí)時人類數(shù)據(jù)構(gòu)建，與人類偏好一致率也高達(dá)89.1%。

除了上面兩個指標(biāo)都達(dá)到SOTA之外，還有一個額外的好處：

實(shí)時更新的測試數(shù)據(jù)包含人類新想出的、AI在訓(xùn)練階段從未見過的提示詞，減輕潛在的數(shù)據(jù)泄露。

并且新模型發(fā)布后，無需再等待一周左右時間讓人類用戶參與投票，只需花費(fèi)25美元快速運(yùn)行測試管線，即可得到結(jié)果。

有網(wǎng)友評價，使用真實(shí)用戶提示詞而不是高中考試來測試，真的很重要。

新基準(zhǔn)測試如何運(yùn)作？

簡單來說，通過大模型競技場20萬個用戶查詢中，挑選500個高質(zhì)量提示詞作為測試集。

首先，挑選過程中確保多樣性，也就是測試集應(yīng)涵蓋廣泛的現(xiàn)實(shí)世界話題。

為了確保這一點(diǎn)，團(tuán)隊(duì)采用BERTopic中主題建模管道，首先使用OpenAI的嵌入模型（text-embedding-3-small）轉(zhuǎn)換每個提示，使用 UMAP 降低維度，并使用基于層次結(jié)構(gòu)的模型聚類算法 (HDBSCAN) 來識別聚類，最后使用GPT-4-turbo進(jìn)行匯總。

同時確保入選的提示詞具有高質(zhì)量，有七個關(guān)鍵指標(biāo)來衡量：

-具體性：提示詞是否要求特定的輸出？

-領(lǐng)域知識：提示詞是否涵蓋一個或多個特定領(lǐng)域？

-復(fù)雜性：提示詞是否有多層推理、組成部分或變量？

-解決問題：提示詞是否直接讓AI展示主動解決問題的能力？

-創(chuàng)造力：提示詞是否涉及解決問題的一定程度的創(chuàng)造力？

-技術(shù)準(zhǔn)確性：提示詞是否要求響應(yīng)具有技術(shù)準(zhǔn)確性？

-實(shí)際應(yīng)用：提示詞是否與實(shí)際應(yīng)用相關(guān)？

使用GPT-3.5-Turbo和GPT-4-Turbo對每個提示進(jìn)行從 0 到 7 的注釋，判斷滿足多少個條件。然后根據(jù)提示的平均得分給每個聚類評分。

高質(zhì)量的問題通常與有挑戰(zhàn)性的話題或任務(wù)相關(guān)，比如游戲開發(fā)或數(shù)學(xué)證明。

新基準(zhǔn)測試準(zhǔn)嗎？

Arena-Hard目前還有一個弱點(diǎn)：使用GPT-4做裁判更偏好自己的輸出。官方也給出了相應(yīng)提示。

可以看出，最新兩個版本的GPT-4分?jǐn)?shù)高過Claude 3 Opus一大截，但在人類投票分?jǐn)?shù)中差距并沒有那么明顯。

其實(shí)關(guān)于這一點(diǎn)，最近已經(jīng)有研究論證，前沿模型都會偏好自己的輸出。

研究團(tuán)隊(duì)還發(fā)現(xiàn)，AI天生就可以判斷出一段文字是不是自己寫的，經(jīng)過微調(diào)后自我識別的能力還能增強(qiáng)，并且自我識別能力與自我偏好線性相關(guān)。

那么使用Claude 3來打分會使結(jié)果產(chǎn)生什么變化？LMSYS也做了相關(guān)實(shí)驗(yàn)。

首先，Claude系列的分?jǐn)?shù)確實(shí)會提高。

但令人驚訝的是，它更喜歡幾種開放模型如Mixtral和零一萬物Yi，甚至對GPT-3.5的評分都有明顯提高。

總體而言，使用Claude 3打分的區(qū)分度和與人類結(jié)果的一致性都不如GPT-4。

所以也有很多網(wǎng)友建議，使用多個大模型來綜合打分。

除此之外，團(tuán)隊(duì)還做了更多消融實(shí)驗(yàn)來驗(yàn)證新基準(zhǔn)測試的有效性。

比如在提示詞中加入“讓答案盡可能詳盡”，平均輸出長度更高，分?jǐn)?shù)確實(shí)會提高。

但把提示詞換成“喜歡閑聊”，平均輸出長度也有提高，但分?jǐn)?shù)提升就不明顯。

此外在實(shí)驗(yàn)過程中還有很多有意思的發(fā)現(xiàn)。

比如GPT-4來打分非常嚴(yán)格，如果回答中有錯誤會狠狠扣分；而Claude 3即使識別出小錯誤也會寬大處理。

對于代碼問題，Claude 3傾向于提供簡單結(jié)構(gòu)、不依賴外部代碼庫，能幫助人類學(xué)習(xí)編程的答案；而GPT-4-Turbo更傾向最實(shí)用的答案，不管其教育價值如何。

另外即使設(shè)置溫度為0，GPT-4-Turbo也可能產(chǎn)生略有不同的判斷。

從層次結(jié)構(gòu)可視化的前64個聚類中也可以看出，大模型競技場用戶的提問質(zhì)量和多樣性確實(shí)是高。

這里面也許就有你的貢獻(xiàn)。

Arena-Hard GitHub：

https://github.com/lm-sys/arena-hard

Arena-Hard HuggingFace：

https://huggingface.co/spaces/lmsys/arena-hard-browser

大模型競技場：

https://arena.lmsys.org

參考鏈接：

[1]https://x.com/lmsysorg/status/1782179997622649330

[2]https://lmsys.org/blog/2024-04-19-arena-hard/