UC伯克利发布大语言模型排行榜！Vicuna夺冠，清华ChatGLM进前5-天天观天下

来 源|新智元

(资料图片)

最近，来自LMSYS Org（UC伯克利主导）的研究人员又搞了个大新闻——大语言模型版排位赛！

顾名思义，「LLM排位赛」就是让一群大语言模型随机进行battle，并根据它们的Elo得分进行排名。

然后，我们就能一眼看出，某个聊天机器人到底是「嘴强王者」还是「最强王者」。

划重点：团队还计划把国内和国外的这些「闭源」模型都搞进来，是骡子是马溜溜就知道了！（GPT-3.5现在就已经在匿名竞技场里了）

匿名聊天机器人竞技场长下面这样：

很明显，模型B回答正确，拿下这局；而模型A连题都没读懂……

项目地址：https://arena.lmsys.org/

在当前的排行榜中，130亿参数的Vicuna以1169分稳居第一，同样130亿参数的Koala位列第二，LAION的Open Assistant排在第三。

清华提出的ChatGLM，虽然只有60亿参数，但依然冲进了前五，只比130亿参数的Alpaca落后了23分。

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

团队表示，之后不仅会定期更新排位赛榜单，而且还会优化算法和机制，并根据不同的任务类型提供更加细化的排名。

目前，所有的评估代码以及数据分析均已公布。

拉着LLM打排位

在这次的评估中，团队选择了目前比较出名的9个开源聊天机器人。

每次1v1对战，系统都会随机拉两个上场PK。用户则需要同时和这两个机器人聊天，然后决定哪个聊天机器人聊的更好。

可以看到，页面下面有4个选项，左边（A）更好，右边（B）更好，一样好，或者都很差。

当用户提交投票之后，系统就会显示模型的名称。这时，用户可以继续聊天，或者选择新的模型重新开启一轮对战。

不过，团队在分析时，只会采用模型是匿名时的投票结果。在经过差不多一周的数据收集之后，团队共收获了4.7k个有效的匿名投票。

在开始之前，团队先根据基准测试的结果，掌握了各个模型可能的排名。

根据这个排名，团队会让模型去优先选择更合适的对手。

然后，再通过均匀采样，来获得对排名的更好总体覆盖。

在排位赛结束时，团队又引入了一种新模型fastchat-t5-3b。

以上这些操作最终导致了非均匀的模型频率。

每个模型组合的对战次数

从统计数据来看，大多数用户所用的都是英语，中文排在第二位。

排名前15的语言的对战次数

评估LLM，真的很难

自从ChatGPT爆火之后，经过指令跟随微调的开源大语言模型如雨后春笋一般大量涌现。可以说，几乎每周都有新的开源LLM在发布。

但问题是，评估这些大语言模型非常难。

具体来说，目前用来衡量一个模型好不好的东西基本都是基于一些学术的benchmark，比如在一个某个NLP任务上构建一个测试数据集，然后看测试数据集上准确率多少。

然而，这些学术benchmark（如HELM）在大模型和聊天机器人上就不好用了。其原因在于：

1. 由于评判聊天机器人聊得好不好这件事是非常主观的，因此现有的方法很难对其进行衡量。

2. 这些大模型在训练的时候就几乎把整个互联网的数据都扫了一个遍，因此很难保证测试用的数据集没有被看到过。甚至更进一步，用测试集直接对模型进行「特训」，如此一来表现必然更好。

3. 理论上我们可以和聊天机器人聊任何事情，但很多话题或者任务在现存的benchmark里面根本就不存在。

那如果不想采用这些benchmark的话，其实还有一条路可以走——花钱请人来给模型打分。

实际上，OpenAI就是这么搞的。但是这个方法明显很慢，而且更重要的是，太贵了……

为了解决这个棘手的问题，来自UC伯克利、UCSD、CMU的团队发明了一种既好玩又实用的全新机制——聊天机器人竞技场（Chatbot Arena）。

相比而言，基于对战的基准系统具有以下优势：

可扩展性（Scalability）

当不能为所有潜在的模型对收集足够的数据时，系统应能扩展到尽可能多的模型。

增量性（Incrementality）

系统应能够使用相对较少的试验次数评估新模型。

唯一顺序（Unique order）

系统应为所有模型提供唯一顺序。给定任意两个模型，我们应该能够判断哪个排名更高或它们是否并列。

Elo评分系统

Elo等级分制度（Elo rating system）是一种计算玩家相对技能水平的方法，广泛应用在竞技游戏和各类运动当中。其中，Elo评分越高，那么就说明这个玩家越厉害。

比如英雄联盟、Dota 2以及吃鸡等等，系统给玩家进行排名的就是这个机制。

举个例子，当你在英雄联盟里面打了很多场排位赛后，就会出现一个隐藏分。这个隐藏分不仅决定了你的段位，也决定了你打排位时碰到的对手基本也是类似水平的。

而且，这个Elo评分的数值是绝对的。也就是说，当未来加入新的聊天机器人时，我们依然可以直接通过Elo的评分来判断哪个聊天机器人更厉害。

具体来说，如果玩家A的评分为Ra，玩家B的评分为Rb，玩家A获胜概率的精确公式（使用以10为底的logistic曲线）为：

然后，玩家的评分会在每场对战后线性更新。

假设玩家A（评分为Ra）预计获得Ea分，但实际获得Sa分。更新该玩家评分的公式为：

1v1胜率

此外，作者还展示了排位赛中每个模型的对战胜率以及使用Elo评分估算的预测对战胜率。

结果显示，Elo评分确实可以相对准确地进行预测

所有非平局A对B战斗中模型A胜利的比例

在A对B战斗中，使用Elo评分预测的模型A的胜率

作者介绍

「聊天机器人竞技场」由前小羊驼作者机构LMSYS Org发布。

该机构由UC伯克利博士Lianmin Zheng和UCSD准教授Hao Zhang创立，目标是通过共同开发开放的数据集、模型、系统和评估工具，使每个人都能获得大型模型。

Lianmin Zheng

Lianmin Zheng是加州大学伯克利分校EECS系的博士生，他的研究兴趣包括机器学习系统、编译器和分布式系统。

Hao Zhang

Hao Zhang目前是加州大学伯克利分校的博士后研究员。他将于2023年秋季开始在加州大学圣地亚哥分校Halıcıoğlu数据科学研究所和计算机系担任助理教授。

关键词：