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”。