大模型竞技场规则更新，GPT-4o mini排名立刻雪崩，跌出前10。新榜单对AI回答的长度和风格等特征做了降权处理，确保分数反映模型真正解决问题的能力。想用漂亮的格式、增加小标题数量等技巧讨好用户、刷榜，现在统统没用了。在新规则下，奥特曼的GPT-4o mini、马斯克的Grok-2系列排名显著下降，GoogleGemini-1.5-flash小模型也有所回落。
Claude系列、Llama-3.1-405b大模型分数则纷纷上涨。
只计算困难任务（Hard Prompt）的情况下，大模型在风格控制榜单中的优势更加明显。
此前GPT-4o mini小模型一度登顶，与GPT-4o满血版并列第一，与网友的体感明显不符。
Lmsys大模型竞技场这个一度被Karpathy推荐的评价标准，口碑也跌落到“只能反映用户喜好而不是模型能力了”。
Lmsys组织痛定思痛，先是公开了GPT-4o mini参与的1000场battle数据，从而分析出模型拒绝回答率、生成内容长度、和格式排版是影响投票结果的几个因素。
而且奥特曼还在GPT-4o mini发布之前，暗示了正是按照人类偏好做优化的。
现在，Lmsys进一步推出了控制这些因素的新算法，而且还只是规划中的第一步。
如何控制风格的影响？
假设有模型A擅长生成代码、事实和无偏见的答案等，但它的输出非常简洁。
模型B在实质内容（例如正确性）上不是很好，但它输出的内容长而详细、格式排版华丽。
那么哪个更好？
答案不是唯一的，Lmsys尝试用数学方法找出一个模型的得分有多少是内容或风格贡献的。
此外，最近也已经有研究表明，人类对排版漂亮和更详细的AI回答可能存在偏好性。
通过在Bradley-Terry回归中添加样式特征，如响应长度、markdown小标题的数量、列表和加粗文本数量作为自变量。
这是统计学中的一种常用技术，最近被AlpacaEval LC等用于大模型评估。
在回归中包含任何混杂变量（例如回答长度），可以将分数的增加归因于混杂变量，而不是模型能力本身。
相关代码已在Google Colab上公开。
此外团队还对“只控制长度”和“只控制格式”做了消融实验。GPT-4o mini、GoogleGemini系列分数受格式影响更大。
不过这种做法也存在局限性，比如可能存在未观察到的混杂因素，例如长度和回答质量之间的正相关，这些因素没有被考虑在内（例如思维链提示）。
有不少网友表示，调整后的困难任务榜单与自己的主观印象更吻合了。
也有人觉得，正是榜单和冲榜的大模型公司这种来回博弈，才能让整个领域一起进步。
你还在参考大模型竞技场结果选择模型吗？或者有什么更好的评估方法，欢迎在评论区分享。