快讯科技财经汽车社会旅游娱乐时尚健康生活科学教育

热搜：极空间携手活力中国调羊小咩便荔于古德伍德前5个月全远东酒店实第31届上海 2026央行一

首页 > 科技

大模型一对一战斗75万轮，GPT-4夺冠，Llama 3位列第五

发布时间: 2024-04-23 15:17:55 来源：量子位

观看：217

Llama 3英文能力与GPT-4并列第一

克雷西发自凹非寺
量子位 | 公众号 QbitAI

关于Llama 3，又有测试结果新鲜出炉——

大模型评测社区LMSYS发布了一份大模型排行榜单，Llama 3位列第五，英文单项与GPT-4并列第一。

不同于其他Benchmark，这份榜单的依据是模型一对一battle，由全网测评者自行命题并打分。

最终，Llama 3取得了榜单中的第五名，排在前面的是GPT-4的三个不同版本，以及Claude 3超大杯Opus。

而在英文单项榜单中，Llama 3反超了Claude，与GPT-4打成了平手。

对于这一结果，Meta的首席科学家LeCun十分高兴，转发了推文并留下了一个“Nice”。

PyTorch之父Soumith Chintala也激动地表示，这样的成果令人难以置信，对Meta感到骄傲。

Llama 3的400B版本还没出来，单靠70B参数就获得了第五名……
我还记得去年三月GPT-4发布的时候，达到与之相同的表现几乎是一件不可能的事。
……
现在AI的普及化实在是令人难以置信，我对Meta AI的同仁们做出这样的成功感到非常骄傲。

那么，这份榜单具体展示了什么样的结果呢？

近90个模型对战75万轮

截至最新榜单发布，LMSYS共收集了近75万次大模型solo对战结果，涉及的模型达到了89款。

其中，Llama 3参与过的有1.27万次，GPT-4则有多个不同版本，最多的参与了6.8万次。

下面这张图展示了部分热门模型的比拼次数和胜率，图中的两项指标都没有统计平局的次数。

榜单方面，LMSYS分成了总榜和多个子榜单，GPT-4-Turbo位列第一，与之并列的是早一些的1106版本，以及Claude 3超大杯Opus。

另一个版本（0125）的GPT-4则位列其后，紧接着就是Llama 3了。

不过比较有意思的是，较新一些的0125，表现还不如老版本1106。

而在英文单项榜单中，Llama 3的成绩直接和两款GPT-4打成了平手，还反超了0125版本。

中文能力排行榜的第一名则由Claude 3 Opus和GPT-4-1106共享，Llama 3则已经排到了20名开外。

除了语言能力之外，榜单中还设置了长文本和代码能力排名，Llama 3也都名列前茅。

不过，LMSYS的“游戏规则”又具体是什么样的呢？

人人都可参与的大模型评测

这是一个人人都可以参与的大模型测试，题目和评价标准，都由参与者自行决定。

而具体的“竞技”过程，又分成了battle和side-by-side两种模式。

battle模式下，在测试界面输入好问题之后，系统会随机调用库中的两个模型，而测试者并不知道系统到底抽中了谁，界面中只显示“模型A”和“模型B”。

在模型输出答案后，测评人需要选择哪个更好，或者是平手，当然如果模型的表现都不符合预期，也有相应的选项。

只有在做出选择之后，模型的身份才会被揭开。

side-by-side则是由用户选择指定的模型来PK，其余测试流程与battle模式相同

不过，只有battle的匿名模式下的投票结果才会被统计，且在对话过程中模型不小心暴露身份就会导致结果失效。

按照各个模型对其他模型的Win Rate，可以绘制出这样的图像：

△示意图，较早版本

而最终的排行榜，是利用Win Rate数据，通过Elo评价系统换算成分数得到的。

Elo评价系统是一种计算玩家相对技能水平的方法，由美国物理学教授Arpad Elo设计。

具体到LMSYS，在初始条件下，所有模型的评分（R）都被设定为1000，然后根据这样的公式计算出期待胜率（E）。

随着测试的不断进行，会根据实际得分（S）对评分进行修正，S有1、0和0.5三种取值，分别对应获胜、失败和平手三种情况。

修正算法如下式所示，其中K为系数，需要测试者根据实际情况调整。

最终将所有有效数据纳入计算后，就得到了模型的Elo评分。

不过实际操作过程中，LMSYS团队发现这种算法的稳定性存在不足，于是又采用了统计学方法进行了修正。

他们利用Bootstrap方法进行重复采样，得到了更稳定的结果，并估计了置信度区间。

最终修正后的Elo评分，就成了榜单中的排列依据。

One More Thing

Llama 3已经可以在大模型推理平台Groq（不是马斯克的Grok）上跑了。

这个平台的最大亮点就是“快”，之前用Mixtral模型跑出过每秒近500 token的速度。

跑起Llama 3，也是相当迅速，实测70B可以跑到每秒约300 Token，8B版本更是接近了800。

参考链接：
[1]https://lmsys.org/blog/2023-05-03-arena/
[2]https://chat.lmsys.org/?leaderboard
[3]https://twitter.com/lmsysorg/status/1782483699449332144

3月18日，记者从山西省人民政府获悉，“山西煤炭工业互联网智算平台”日前在山西联通大数据中心建设完成。该平台由中国联通与山西晋云互联科技有限公司共同打造，是山西省目前唯一的垂直行业类智据《日本经济新闻》3月19日报道，东京大学副教授坂本健太郎等人研究发现，海龟下潜时心率将急剧下降。海龟与鲸等哺乳类动物同样，心率随下潜深度加深而下降，特别是在下潜深度超过140米时，一分钟心跳根据《天体物理学杂志》的最新报道，一个国际天文学家团队利用欧洲空间局的盖亚（Gaia）太空望远镜收集的数据，创建了迄今为止最庞大的三维宇宙地图。该地图涵盖了大约130万个活跃类星体的精确空间近日，我国“主要作物丰产增效科技创新工程”重点专项“优质双季超级稻丰产增效技术研发与集成示范”项目，在湖南岳阳宣布启动。据了解，该项目主要聚焦优质双季超级稻丰产增效技术研发，着力探明双今年3月23日是第64个世界气象日，主题是“气候行动最前线”。面对愈加频繁的极端天气和全球变暖等气候危机，减缓气候变化已刻不容缓。发展新能源是应对气候变化的重要举措之一，而气象服务对于新在近日开幕的中国国际核工业展览会上，中国核学会理事会党委书记、理事长王寿君表示，中国内地现有在运核电机组55台、居全球第三；在建核电机组26台，保持全球第一。这些成绩的取得，离不开智能化技术。

本文链接：大模型一对一战斗75万轮，GPT-4夺冠，Llama 3位列第五http://www.sushuapos.com/show-2-5308-0.html

声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。

上一篇： 1966年杨成武汇报部队建设，毛主席突然插话说曾国藩杀人很厉害（1966年杨成武汇报部队建设）

下一篇：黑照变废为宝！超能AI一句话修出创意大片，亲妈看了都说真

大模型一对一战斗75万轮，GPT-4夺冠，Llama 3位列第五

克雷西发自凹非寺
量子位 | 公众号 QbitAI

近90个模型对战75万轮

人人都可参与的大模型评测

△示意图，较早版本

One More Thing

热门资讯

推荐资讯

科技最热文章

大模型一对一战斗75万轮，GPT-4夺冠，Llama 3位列第五

克雷西 发自 凹非寺oIo速刷资讯——每天刷点最新资讯，了解这个世界多一点SUSHUAPOS.COM量子位 | 公众号 QbitAI

近90个模型对战75万轮

人人都可参与的大模型评测

△示意图，较早版本

One More Thing

热门资讯

推荐资讯

科技最热文章

克雷西发自凹非寺
量子位 | 公众号 QbitAI