大模型競技場的可信度再受挑戰(zhàn)
近期，一篇名為《排行榜幻覺》的論文引發(fā)了學術(shù)圈的關(guān)注。該論文指出，大模型競技場存在諸多系統(tǒng)問題，如數(shù)據(jù)訪問不平等、模型測試的私密性等，這些問題對大模型競技場的可信度構(gòu)成了新的挑戰(zhàn)。
大模型競技場作為目前大型語言模型領域的熱門競技平臺，其可信度一直備受關(guān)注。然而，近期的一系列事件使得該平臺的可信度再次受到質(zhì)疑。首先，論文中提到，少數(shù)大模型廠商被允許私下測試多個模型變體，并只公開最佳表現(xiàn)的版本。這種“最佳 N 選 1”策略導致排名膨脹，使得排行榜的快速變化不再反映真實的技術(shù)進步。
其次，論文還指出，數(shù)據(jù)訪問不平等的問題也存在于大模型競技場中。專有模型獲得的用戶反饋數(shù)據(jù)顯著多于開源模型，這可能導致開源模型在競爭中處于劣勢。此外，論文還發(fā)現(xiàn)，許多模型被靜默棄用（減少采樣率至接近 0%），這在 243 個公開模型中，有 205 個被靜默棄用，遠超過官方列出的 47 個。這種做法特別影響開源和開放權(quán)重模型，會導致排名不可靠。
面對這些質(zhì)疑，大模型競技場官方 Lmrena.ai 給出回應。他們表示確實幫助廠商進行測試，最后發(fā)布最受歡迎的版本；但這不代表競技場有偏見，排行榜反映數(shù)百萬人類的個人真實偏好。然而，對于這些回應，一些研究人員并不認同。他們認為排行榜的快速變化不太可能反映真實的技術(shù)進步，因為開發(fā)和完善一個全新的基礎模型通常需要數(shù)月時間。
盡管如此，大模型競技場作為當前 AI 領域的重要平臺，其影響力不容忽視。它為開發(fā)者提供了一個展示和比較不同模型的平臺，有助于推動大型語言模型的發(fā)展。因此，我們不能因為個別問題就完全否定大模型競技場的作用。
事實上，大模型競技場也并非一無是處。它為各大廠商提供了展示和比較自家模型的機會，有助于推動模型的優(yōu)化和進步。同時，它也為公眾提供了一個直觀了解不同模型差異的平臺。盡管存在一些問題，但大模型競技場依然是一個有價值的平臺。
另一方面，這篇論文的提出也提醒我們不能只參考一個榜單。在 AI 社區(qū)中，我們需要更多的參考基準，以更全面地評估大型語言模型的性能。這可能意味著我們需要更多的競技場、更多的評估指標、更多的公開比較，以建立一個更全面的評估體系。
總的來說，大模型競技場是一個充滿活力和機遇的平臺。盡管存在一些問題，但其潛力依然值得期待。我們期待看到更多的大型語言模型在這個平臺上競爭和進步，同時也期待看到 AI 社區(qū)對評估體系的不斷完善。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
