編輯：好困
【新智元導(dǎo)讀】萬萬沒想到，現(xiàn)在大語言模型們也要像王者榮耀/LoL/Dota這些游戲里的玩家一樣打排位賽了！據(jù)說，那些閉源模型們很快也會(huì)被拉出來溜溜。
最近，來自LMSYS Org（UC伯克利主導(dǎo)）的研究人員又搞了個(gè)大新聞——大語言模型版排位賽！
顧名思義，「LLM排位賽」就是讓一群大語言模型隨機(jī)進(jìn)行battle，并根據(jù)它們的Elo得分進(jìn)行排名。
然后，我們就能一眼看出，某個(gè)聊天機(jī)器人到底是「嘴強(qiáng)王者」還是「最強(qiáng)王者」。
劃重點(diǎn)：團(tuán)隊(duì)還計(jì)劃把國內(nèi)和國外的這些「閉源」模型都搞進(jìn)來，是騾子是馬溜溜就知道了！（GPT-3.5現(xiàn)在就已經(jīng)在匿名競技場里了）
匿名聊天機(jī)器人競技場長下面這樣：
很明顯，模型B回答正確，拿下這局；而模型A連題都沒讀懂……
項(xiàng)目地址：https://arena.lmsys.org/
在當(dāng)前的排行榜中，130億參數(shù)的Vicuna以1169分穩(wěn)居第一，同樣130億參數(shù)的Koala位列第二，LAION的Open Assistant排在第三。
清華提出的ChatGLM，雖然只有60億參數(shù)，但依然沖進(jìn)了前五，只比130億參數(shù)的Alpaca落后了23分。
相比之下，Meta原版的LLaMa只排到了第八（倒數(shù)第二），而Stability AI的StableLM則獲得了唯一的800+分，排名倒數(shù)第一。
團(tuán)隊(duì)表示，之后不僅會(huì)定期更新排位賽榜單，而且還會(huì)優(yōu)化算法和機(jī)制，并根據(jù)不同的任務(wù)類型提供更加細(xì)化的排名。
目前，所有的評(píng)估代碼以及數(shù)據(jù)分析均已公布。
拉著LLM打排位
在這次的評(píng)估中，團(tuán)隊(duì)選擇了目前比較出名的9個(gè)開源聊天機(jī)器人。
每次1v1對(duì)戰(zhàn)，系統(tǒng)都會(huì)隨機(jī)拉兩個(gè)上場PK。用戶則需要同時(shí)和這兩個(gè)機(jī)器人聊天，然后決定哪個(gè)聊天機(jī)器人聊的更好。
可以看到，頁面下面有4個(gè)選項(xiàng)，左邊（A）更好，右邊（B）更好，一樣好，或者都很差。
當(dāng)用戶提交投票之后，系統(tǒng)就會(huì)顯示模型的名稱。這時(shí)，用戶可以繼續(xù)聊天，或者選擇新的模型重新開啟一輪對(duì)戰(zhàn)。
不過，團(tuán)隊(duì)在分析時(shí)，只會(huì)采用模型是匿名時(shí)的投票結(jié)果。在經(jīng)過差不多一周的數(shù)據(jù)收集之后，團(tuán)隊(duì)共收獲了4.7k個(gè)有效的匿名投票。
在開始之前，團(tuán)隊(duì)先根據(jù)基準(zhǔn)測試的結(jié)果，掌握了各個(gè)模型可能的排名。
根據(jù)這個(gè)排名，團(tuán)隊(duì)會(huì)讓模型去優(yōu)先選擇更合適的對(duì)手。
然后，再通過均勻采樣，來獲得對(duì)排名的更好總體覆蓋。
在排位賽結(jié)束時(shí)，團(tuán)隊(duì)又引入了一種新模型fastchat-t5-3b。
以上這些操作最終導(dǎo)致了非均勻的模型頻率。
每個(gè)模型組合的對(duì)戰(zhàn)次數(shù)
從統(tǒng)計(jì)數(shù)據(jù)來看，大多數(shù)用戶所用的都是英語，中文排在第二位。
排名前15的語言的對(duì)戰(zhàn)次數(shù)
評(píng)估LLM，真的很難
自從ChatGPT爆火之后，經(jīng)過指令跟隨微調(diào)的開源大語言模型如雨后春筍一般大量涌現(xiàn)?？梢哉f，幾乎每周都有新的開源LLM在發(fā)布。
但問題是，評(píng)估這些大語言模型非常難。
具體來說，目前用來衡量一個(gè)模型好不好的東西基本都是基于一些學(xué)術(shù)的benchmark，比如在一個(gè)某個(gè)NLP任務(wù)上構(gòu)建一個(gè)測試數(shù)據(jù)集，然后看測試數(shù)據(jù)集上準(zhǔn)確率多少。
然而，這些學(xué)術(shù)benchmark（如HELM）在大模型和聊天機(jī)器人上就不好用了。其原因在于：
1. 由于評(píng)判聊天機(jī)器人聊得好不好這件事是非常主觀的，因此現(xiàn)有的方法很難對(duì)其進(jìn)行衡量。
2. 這些大模型在訓(xùn)練的時(shí)候就幾乎把整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)都掃了一個(gè)遍，因此很難保證測試用的數(shù)據(jù)集沒有被看到過。甚至更進(jìn)一步，用測試集直接對(duì)模型進(jìn)行「特訓(xùn)」，如此一來表現(xiàn)必然更好。
3. 理論上我們可以和聊天機(jī)器人聊任何事情，但很多話題或者任務(wù)在現(xiàn)存的benchmark里面根本就不存在。
那如果不想采用這些benchmark的話，其實(shí)還有一條路可以走——花錢請(qǐng)人來給模型打分。
實(shí)際上，OpenAI就是這么搞的。但是這個(gè)方法明顯很慢，而且更重要的是，太貴了……
為了解決這個(gè)棘手的問題，來自UC伯克利、UCSD、CMU的團(tuán)隊(duì)發(fā)明了一種既好玩又實(shí)用的全新機(jī)制——聊天機(jī)器人競技場（Chatbot Arena）。
相比而言，基于對(duì)戰(zhàn)的基準(zhǔn)系統(tǒng)具有以下優(yōu)勢：
可擴(kuò)展性（Scalability）當(dāng)不能為所有潛在的模型對(duì)收集足夠的數(shù)據(jù)時(shí)，系統(tǒng)應(yīng)能擴(kuò)展到盡可能多的模型。
增量性（Incrementality）系統(tǒng)應(yīng)能夠使用相對(duì)較少的試驗(yàn)次數(shù)評(píng)估新模型。
唯一順序（Unique order）系統(tǒng)應(yīng)為所有模型提供唯一順序。給定任意兩個(gè)模型，我們應(yīng)該能夠判斷哪個(gè)排名更高或它們是否并列。
Elo評(píng)分系統(tǒng)
Elo等級(jí)分制度（Elo rating system）是一種計(jì)算玩家相對(duì)技能水平的方法，廣泛應(yīng)用在競技游戲和各類運(yùn)動(dòng)當(dāng)中。其中，Elo評(píng)分越高，那么就說明這個(gè)玩家越厲害。
比如英雄聯(lián)盟、Dota 2以及吃雞等等，系統(tǒng)給玩家進(jìn)行排名的就是這個(gè)機(jī)制。
舉個(gè)例子，當(dāng)你在英雄聯(lián)盟里面打了很多場排位賽后，就會(huì)出現(xiàn)一個(gè)隱藏分。這個(gè)隱藏分不僅決定了你的段位，也決定了你打排位時(shí)碰到的對(duì)手基本也是類似水平的。
而且，這個(gè)Elo評(píng)分的數(shù)值是絕對(duì)的。也就是說，當(dāng)未來加入新的聊天機(jī)器人時(shí)，我們依然可以直接通過Elo的評(píng)分來判斷哪個(gè)聊天機(jī)器人更厲害。
具體來說，如果玩家A的評(píng)分為Ra，玩家B的評(píng)分為Rb，玩家A獲勝概率的精確公式（使用以10為底的logistic曲線）為：
然后，玩家的評(píng)分會(huì)在每場對(duì)戰(zhàn)后線性更新。
假設(shè)玩家A（評(píng)分為Ra）預(yù)計(jì)獲得Ea分，但實(shí)際獲得Sa分。更新該玩家評(píng)分的公式為：
1v1勝率
此外，作者還展示了排位賽中每個(gè)模型的對(duì)戰(zhàn)勝率以及使用Elo評(píng)分估算的預(yù)測對(duì)戰(zhàn)勝率。
結(jié)果顯示，Elo評(píng)分確實(shí)可以相對(duì)準(zhǔn)確地進(jìn)行預(yù)測
所有非平局A對(duì)B戰(zhàn)斗中模型A勝利的比例
在A對(duì)B戰(zhàn)斗中，使用Elo評(píng)分預(yù)測的模型A的勝率
作者介紹
「聊天機(jī)器人競技場」由前小羊駝作者機(jī)構(gòu)LMSYS Org發(fā)布。
該機(jī)構(gòu)由UC伯克利博士Lianmin Zheng和UCSD準(zhǔn)教授Hao Zhang創(chuàng)立，目標(biāo)是通過共同開發(fā)開放的數(shù)據(jù)集、模型、系統(tǒng)和評(píng)估工具，使每個(gè)人都能獲得大型模型。
Lianmin ZhengLianmin Zheng是加州大學(xué)伯克利分校EECS系的博士生，他的研究興趣包括機(jī)器學(xué)習(xí)系統(tǒng)、編譯器和分布式系統(tǒng)。
Hao ZhangHao Zhang目前是加州大學(xué)伯克利分校的博士后研究員。他將于2023年秋季開始在加州大學(xué)圣地亞哥分校Hal?c?o?lu數(shù)據(jù)科學(xué)研究所和計(jì)算機(jī)系擔(dān)任助理教授。
參考資料：
https://lmsys.org/blog/2023-05-03-arena/
