文 | 锦缎
「XX 发布最强开源大模型，多项基准测试全面超越 XX 等闭源模型！」
「万亿参数开源模型 XX 强势登顶全球开源模型榜首！」
「国产之光！XX 模型在中文评测榜单拿下第一！」
随着 AI 时代的到来，各位的朋友圈、微博等社交平台是不是也常常被诸如此类的新闻刷屏了？
今天这个模型拿到了冠军，明天那个模型变成了王者。评论区里有的人热血沸腾，有的人一头雾水。
一个又一个的现实问题摆在眼前：
这些模型所谓的 「登顶」 比的是什么？谁给它们评分，而评分的依据又是什么？为什么每个平台的榜单座次都不一样，到底谁更权威？
如果各位也产生了类似的困惑，说明各位已经开始从 「看热闹」 转向 「看门道」。
本文之中，我们便来拆解一下不同类型 「AI 竞技场」——也就是大语言模型排行榜——的 「游戏规则」。
01 类型一：客观基准测试 （Benchmark），给 AI 准备的 「高考」
人类社会中，高考分数是决定学生大学档次的最主要评判标准。
同样地，在 AI 领域，也有很多高度标准化的测试题，用来尽可能客观地衡量 AI 模型在特定能力上的表现。
因此，在这个大模型产品频繁推陈出新的时代，各家厂商推出新模型后，第一件事就是拿到 「高考」 考场上跑个分，是骡子是马，拉出来遛遛。
Artificial Analysis 平台提出了一项名为 「Artificial Analysis Intelligence Index（AAII）」 的综合性评测基准，汇总了 7 个极为困难且专注于前沿能力的单项评测结果。
类似于股票价格指数，AAII 能够给出衡量 AI 智能水平的综合分数，尤其专注于需要深度推理、专业知识和复杂问题解决能力的任务。
这 7 项评测覆盖了被普遍视作衡量高级智能核心的三个领域：知识推理、数学和编程。
（1） 知识与推理领域
MMLU-Pro：
全称 Massive Multitask Language Understanding - Professional Level
MMLU 的加强版。MMLU 涵盖 57 个学科的知识问答测试，而 MMLU-Pro 在此基础上，通过更复杂的提问方式和推理要求，进一步增加难度以测试模型在专业领域的知识广度和深度推理能力。
GPQA Diamond：
全称 Graduate - Level Google - Proof Q&A - Diamond Set
此测试机包含生物学、物理学和化学领域的专业问题。与其名称对应，其设计初衷很直白：即使是相关领域的研究生，在允许使用 Google 搜索的情况下也很难在短时间内找到答案。而 Diamond 正是其中难度最高的一个子集，需要 AI 具备较强的推理能力和问题分解能力，而非简单的信息检索。
Humanity』s Last Exam：
由 Scale AI 和 Center for AI Safety（CAIS） 联合发布的一项难度极高的基准测试，涵盖科学、技术、工程、数学甚至是人文艺术等多个领域。题目大多为开放式，不仅需要 AI 进行多个步骤的复杂推理，还需要 AI 发挥一定的创造性。这项测试能够有效评估 AI 是否具备跨学科的综合问题解决能力。
（2） 编程领域
LiveCodeBench：
这是一项贴近现实的编程能力测试。与传统的编程测试只关注代码的正确性不同，AI 会被置于一个 「实时」 的编程环境中，并根据问题描述和一组公开的测试用例编写代码，而代码将会使用一组更复杂的隐藏测试用例运行并评分。这项测试主要考验 AI 编程是否具备较高的鲁棒性以及处理边界情况的能力。
SciCode：
这一项编程测试则更偏向于学术性，专注于科学计算和编程。AI 需要理解复杂的科学问题并用代码实现相应的算法或模拟。除了考验编程技巧，还需要 AI 对科学原理具备一定深度的理解。
（3） 数学领域
AIME：
全称 American Invitational Mathematics Examination
美国高中生数学竞赛体系中的一环，难度介于 AMC（美国数学竞赛） 和 USAMO（美国数学奥林匹克） 之间。其题目具备较高的挑战性，需要 AI 具备创造性的解题思路和数学功底，能够衡量 AI 在高级数学领域中的推理能力。
MATH-500：
从大型数学问题数据集 「MATH」 中随机抽取 500 道题构成的测试，覆盖从初中到高中竞赛水平的各类数学题目，涵盖代数、几何和数论等领域。题目以 LaTeX 格式给出，模型不仅要给出答案，还需要有详细的解题步骤，是评估 AI 形式化数学推理和解题能力的重要标准。
图：Artificial Analysis 的 AI 模型智能排行榜
不过，由于模型的用处不同，各大平台并不会采用相同的测评标准。
例如，司南 （OpenCompass） 的大语言模型榜单根据其自有的闭源评测数据集 （CompassBench） 进行评测，我们无法得知具体测试规则，但该团队面向社区提供了公开的验证集，每隔 3 个月更新评测题目。
图：OpenCompass 大语言模型榜
与此同时，该网站也选取了一些合作伙伴的评测集，针对 AI 模型的主流应用领域进行评测并发布了测试榜单：
而 HuggingFace 也有类似的开源大语言模型榜单，测评标准中包含了前面提过的 MATH、GPQA 和 MMLU-Pro：
图：HuggingFace 上的开源大语言模型排行榜
在这个榜单中，还增加了一些测评标准，并附有解释：
IFEval：
全称 Instruction-Following Evaluation
用于测评大语言模型遵循指令的能力，其重点在于格式化。这项测评不仅需要模型给出正确的回答，还注重于模型能否严格按照用户给出的特定格式来输出答案。
BBH：
全称 Big Bench Hard
从 Big Bench 基准测试中筛选出的一部分较为困难的任务，构成了专门为大语言模型设计的高难度问题集合。作为一张 「综合试卷」，它包含多种类型的难题，如语言理解、数学推理、常识和世界知识等方面。不过，这份试卷上只有选择题，评分标准为准确率。
MuSR：
全称 Multistep Soft Reasoning
用于测试 AI 模型在长篇文本中进行复杂、多步骤推理能力的评测集。其测试过程类似于人类的 「阅读理解」，在阅读文章后，需要将散落在不同地方的线索和信息点串联起来才能得到最终结论，即 「多步骤」 和 「软推理」。此测评同样采用选择题的形式，以准确率为评分标准。
CO2 Cost：
这是最有趣的一项指标，因为大部分 LLM 榜单上都不会标注二氧化碳排放量。它只代表了模型的环保性和能源效率，而无法反映其聪明程度和性能。
同样地，在 HuggingFace 上搜索 LLM Leaderboard，也可以看到有多个领域的排行榜。
图：HuggingFace 上的其他大语言模型排行榜
可以看到，把客观基准测试作为 AI 的 「高考」，其优点很明确：客观、高效、可复现。
同时，可以快速衡量模型在某一领域或某一方面的 「硬实力」。
但伴随 「高考」 而来的，则是应试教育固有的弊端。
模型可能在测试中受到数据污染的影响，导致分数虚高，但实际应用中却一问三不知。
毕竟，在我们先前的大模型测评中，简单的财务指标计算也可能出错。
同时，客观基准测试很难衡量模型的 「软实力」。
文本上的创造力、答案的情商和幽默感、语言的优美程度，这些难以量化、平时不会特意拿出来说的衡量指标，却决定着我们使用模型的体验。
因此，当一个模型大规模宣传自己在某个基准测试上 「登顶」 时，它就成为了 「单科状元」，这已经是很了不起的成就，但离 「全能学霸」 还有很远距离。
02 类型二：人类偏好竞技场 （Arena），匿名才艺大比拼
前面已经说过，客观基准测试更注重于模型的 「硬实力」，但它无法回答一个最实际的问题：
一个模型，到底用起来 「爽不爽」？
一个模型可能在 MMLU 测试中知晓天文地理，但面对简单的文字编辑任务却束手无策；
一个模型可能在 MATH 测试中秒解代数几何，却无法理解用户话语中的一丝幽默和讽刺。
面对上述困境，来自加州大学伯克利分校等高校的研究人员组成的 LMSys.org 团队提出了一个想法：
「既然模型最终为人而服务，那为什么不直接让人来评判呢？」
这一次，评判标准不再是试卷和题集，评分标准交到了用户手中。
LMSys Chatbot Arena，一个通过 「盲测对战」 来对大语言模型进行排名的大型众包平台。
对战时，两个模型同时登场，并对同一个问题进行解答，由用户决定谁输谁赢。
用户在投票前无法得知两个 「选手」 的 「真实身份」，有效消除了刻板偏见。
对于一般用户来说，LMArena 的使用方法非常简单：
登录 https://lmarena.ai/后，首先由用户进行提问，系统会随机挑选两个不同的大语言模型，并将问题同时发送给它们。
匿名标注为 Assistant A 和 Assistant B 两个模型生成的答案会并排显示，而用户需要根据自己的判断，投票选择最合适的回答。
而在投票后，系统才会告知用户 Assistant A 和 Assistant B 分别是哪个模型，而这次投票也会加入到全球用户的投票数据中。
图：LMArena 文本能力排行榜
LMArena 中设计了七个分类的排行榜，分别是 Text（文本/语言能力）、WebDev（Web 开发）、Vision（视觉/图像理解）、Text-to-Image（文生图）、Image Edit（图像编辑）、Search（搜索/联网能力） 和 Copilot（智能助力/代理能力）。
每个榜单都是由用户的投票产生的，而 LMArena 采用的核心创新机制就是 Elo 评级系统。
这套系统最初用于国际象棋等双人对战游戏，可用于衡量选手的相对实力。
而在大模型排行榜中，每个模型都会有一个初始分数，即 Elo 分。
当模型 A 在一场对决中战胜模型 B 时，模型 A 就可以从模型 B 那赢得一些分数。
而赢得多少分数，取决于对手有多少实力。如果击败了分数远高于自己的模型，则会获得大量分数；如果只是击败了分数远低于自己的模型，则只能获得少量分数。
因此，一旦输给弱者，则会丢掉大量分数。
这个系统很适合处理大量的 「1v1」 成对比较数据，能够判断相对强弱而非绝对强弱，并能够使排行榜动态更新，更具备可信度。
尽管有相关研究人员指出 LMArena 的排行榜存在私测特权、采样不公等问题，但它仍是目前衡量大语言模型综合实力较为权威的排行榜之一。
在 AI 新闻满天飞的环境下，它的优势在于消除用户先入为主的偏见。
同时，我们前面提到的创造力、幽默感、语气和写作风格等难以量化的指标将在投票中得以体现，有助于衡量主观质量。
但是，简单的流程和直观的 「二选一」 也为类似的竞技场平台带来了不少局限性：
一是聚焦于单轮对话：其评测主要采取 「一问一答」 的方式，而对于需要多轮对话的任务则难以充分进行评估；
二是存在投票者偏差：这是统计中难以避免的现象，投票的用户群体可能更偏向于技术爱好者，其问题类型和评判标准必然无法覆盖普通用户；
三是主观性过强：用户对于 「好」 和 「坏」 的评判过于主观，而 Elo 分数则只是体现主观偏好的平均结果；
四是缺失事实核查性：用户在对两个模型进行评判时，注意力往往放在答案的表述上，而忽视了回答内容的真实性。
03 我们到底该看哪个排行榜？
AI 江湖的 「武林大会」 远不止我们提到的这些排行榜。随着 AI 领域规模的不断扩大，评测的战场本身也变得越来越复杂和多元化。
很多学术机构或大型 AI 公司会发布自家的评测报告或自建榜单，体现出技术自信，但作为用户，则需要 「打个问号」。
就像足球比赛有主客场之分，机构也可以巧妙地设计评测的维度和题目，使其恰好能放大某些模型的优势，同时规避其弱点。
另一个更加宏大的趋势是，大模型的评测榜单正在从 「大一统」 走向 「精细化」。
据不完全统计，迄今为止，全球已发布大模型总数达到 3755 个。
「千模大战」 的时代，一份冗长的通用榜单，显然无法满足所有人的需求。
因此，评测的趋势也不可避免地走向细分化和垂直化。
那么回到最初的核心问题：到底谁更权威？
观点很明确：没有任何一个单一的排行榜是绝对权威的。
排行榜终究是参考，甚至不客气的说，「AI 竞技场」 归根到底只是一门生意。对于高频刷榜的模型，我们务必要警惕——不是估值需求驱动，便是 PR 导向驱动。是骡子是马，终究不是一个竞技场能盖棺定论的。
但对于普通用户来说，评判一个模型的最终标准是唯一的：它是否真正对你有用。
评价和选择模型，要先看应用场景。
如果你是程序员，就去试试 AI 编写代码、检查和修复 Bug 的能力；
如果你是大学生，就让 AI 去做文献综述，解释学术名词和概念；
如果你是营销人，就看看 AI 能否写出精彩的文案、构思和创意。
别让 「登顶」 的喧嚣干扰了你的判断。
大模型是工具，不是神。看懂排行榜，是为了更好地选择工具。
与其迷信排行榜，真如把实际问题交给它试一试，哪个模型能最高效优质地解决问题，它就是你的 「私人冠军」。
