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(xué)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(lǐng)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(gè)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(dǎo)致排名膨脹，使得排行榜的快速變化不再反映真實(shí)的技術(shù)進(jìn)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(dǎo)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(gè)公開模型中，有 205 個(gè)被靜默棄用，遠(yuǎn)超過官方列出的 47 個(gè)。這種做法特別影響開源和開放權(quán)重模型，會導(dǎo)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(yīng)。他們表示確實(shí)幫助廠商進(jìn)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(gè)人真實(shí)偏好。然而，對于這些回應(yīng)，一些研究人員并不認(rèn)同。他們認(rèn)為排行榜的快速變化不太可能反映真實(shí)的技術(shù)進(jìn)步，因?yàn)殚_發(fā)和完善一個(gè)全新的基礎(chǔ)模型通常需要數(shù)月時(shí)間。
盡管如此，大模型競技場作為當(dāng)前 AI 領(lǐng)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(gè)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?yàn)閭€(gè)別問題就完全否定大模型競技場的作用。
事實(shí)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(jī)會，有助于推動模型的優(yōu)化和進(jìn)步。同時(shí)，它也為公眾提供了一個(gè)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(gè)有價(jià)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(gè)榜單。在 AI 社區(qū)中，我們需要更多的參考基準(zhǔn)，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(biāo)、更多的公開比較，以建立一個(gè)更全面的評估體系。
總的來說，大模型競技場是一個(gè)充滿活力和機(jī)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(gè)平臺上競爭和進(jìn)步，同時(shí)也期待看到 AI 社區(qū)對評估體系的不斷完善。
（免責(zé)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)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(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
