大模型一對一戰(zhàn)斗75萬輪，GPT-4奪冠，Llama 3位列第五
關(guān)于Llama 3，又有測試結(jié)果新鮮出爐——
大模型評測社區(qū)LMSYS發(fā)布了一份大模型排行榜單，Llama 3位列第五，英文單項與GPT-4并列第一。
不同于其他Benchmark，這份榜單的依據(jù)是模型一對一battle，由全網(wǎng)測評者自行命題并打分。
最終，Llama 3取得了榜單中的第五名，排在前面的是GPT-4的三個不同版本，以及Claude 3超大杯Opus。
而在英文單項榜單中，Llama 3反超了Claude，與GPT-4打成了平手。
對于這一結(jié)果，Meta的首席科學(xué)家LeCun十分高興，轉(zhuǎn)發(fā)了推文并留下了一個“Nice”。
PyTorch之父Soumith Chintala也激動地表示，這樣的成果令人難以置信，對Meta感到驕傲。
Llama 3的400B版本還沒出來，單靠70B參數(shù)就獲得了第五名……
我還記得去年三月GPT-4發(fā)布的時候，達(dá)到與之相同的表現(xiàn)幾乎是一件不可能的事。
……
現(xiàn)在AI的普及化實在是令人難以置信，我對Meta AI的同仁們做出這樣的成功感到非常驕傲。
那么，這份榜單具體展示了什么樣的結(jié)果呢？
近90個模型對戰(zhàn)75萬輪
截至最新榜單發(fā)布，LMSYS共收集了近75萬次大模型solo對戰(zhàn)結(jié)果，涉及的模型達(dá)到了89款。
其中，Llama 3參與過的有1.27萬次，GPT-4則有多個不同版本，最多的參與了6.8萬次。
下面這張圖展示了部分熱門模型的比拼次數(shù)和勝率，圖中的兩項指標(biāo)都沒有統(tǒng)計平局的次數(shù)。
榜單方面，LMSYS分成了總榜和多個子榜單，GPT-4-Turbo位列第一，與之并列的是早一些的1106版本，以及Claude 3超大杯Opus。
另一個版本（0125）的GPT-4則位列其后，緊接著就是Llama 3了。
不過比較有意思的是，較新一些的0125，表現(xiàn)還不如老版本1106。
而在英文單項榜單中，Llama 3的成績直接和兩款GPT-4打成了平手，還反超了0125版本。
中文能力排行榜的第一名則由Claude 3 Opus和GPT-4-1106共享，Llama 3則已經(jīng)排到了20名開外。
除了語言能力之外，榜單中還設(shè)置了長文本和代碼能力排名，Llama 3也都名列前茅。
不過，LMSYS的“游戲規(guī)則”又具體是什么樣的呢？
人人都可參與的大模型評測
這是一個人人都可以參與的大模型測試，題目和評價標(biāo)準(zhǔn)，都由參與者自行決定。
而具體的“競技”過程，又分成了battle和side-by-side兩種模式。
battle模式下，在測試界面輸入好問題之后，系統(tǒng)會隨機(jī)調(diào)用庫中的兩個模型，而測試者并不知道系統(tǒng)到底抽中了誰，界面中只顯示“模型A”和“模型B”。
在模型輸出答案后，測評人需要選擇哪個更好，或者是平手，當(dāng)然如果模型的表現(xiàn)都不符合預(yù)期，也有相應(yīng)的選項。
只有在做出選擇之后，模型的身份才會被揭開。
side-by-side則是由用戶選擇指定的模型來PK，其余測試流程與battle模式相同
不過，只有battle的匿名模式下的投票結(jié)果才會被統(tǒng)計，且在對話過程中模型不小心暴露身份就會導(dǎo)致結(jié)果失效。
按照各個模型對其他模型的Win Rate，可以繪制出這樣的圖像：
△示意圖，較早版本
而最終的排行榜，是利用Win Rate數(shù)據(jù)，通過Elo評價系統(tǒng)換算成分?jǐn)?shù)得到的。
Elo評價系統(tǒng)是一種計算玩家相對技能水平的方法，由美國物理學(xué)教授Arpad Elo設(shè)計。
具體到LMSYS，在初始條件下，所有模型的評分（R）都被設(shè)定為1000，然后根據(jù)這樣的公式計算出期待勝率（E）。
隨著測試的不斷進(jìn)行，會根據(jù)實際得分（S）對評分進(jìn)行修正，S有1、0和0.5三種取值，分別對應(yīng)獲勝、失敗和平手三種情況。
修正算法如下式所示，其中K為系數(shù)，需要測試者根據(jù)實際情況調(diào)整。
最終將所有有效數(shù)據(jù)納入計算后，就得到了模型的Elo評分。
不過實際操作過程中，LMSYS團(tuán)隊發(fā)現(xiàn)這種算法的穩(wěn)定性存在不足，于是又采用了統(tǒng)計學(xué)方法進(jìn)行了修正。
他們利用Bootstrap方法進(jìn)行重復(fù)采樣，得到了更穩(wěn)定的結(jié)果，并估計了置信度區(qū)間。
最終修正后的Elo評分，就成了榜單中的排列依據(jù)。
One More Thing
Llama 3已經(jīng)可以在大模型推理平臺Groq（不是馬斯克的Grok）上跑了。
這個平臺的最大亮點就是“快”，之前用Mixtral模型跑出過每秒近500 token的速度。
跑起Llama 3，也是相當(dāng)迅速，實測70B可以跑到每秒約300 Token，8B版本更是接近了800。
本文轉(zhuǎn)自 量子位 ，作者：量子位
