前段时间，UC伯克利主导的「LLM排位赛」备受圈内关注。
除了各类开源模型外，还有GPT-4、PaLM 2等众多「闭源」模型，甚至还开设了一个「准中文」排行榜。
最近，来自斯坦福的团队，也发布了一款LLM自动评测系统——AlpacaEval，以及对应的AlpacaEval Leaderboard。
在斯坦福的这个排行榜中，GPT-4依然以绝对领先的优势夺得第一，胜率超过了95%。
紧随其后的是，胜率都在80%以上的Claude和ChatGPT。其中，Claude以不到3%的优势拿下第二，而ChatGPT则位列第三。
此次获得第四名的，则是一位排位赛新人——微软华人团队发布的WizardLM。
UC伯克利的Vicuna发挥依然稳定，凭借着超过70%的胜率排在第六。
相比之下，斯坦福自己的Alpaca却只排到了第16……
其实，团队自从原始的Alpaca推出以来，已经做了不小的改进——胜率从26%提升到了44%，但依然距离领奖台很远。
对此，其中一位作者有些无奈地表示：「是不是我们哪里做的不对？」
AlpacaEval：易使用、速度快、成本低、经过人类标注验证
AlpacaEval把AlpacaFarm和Aviary进行了结合。
一方面使用与AlpacaFarm相同的代码（缓存/随机排列/超参数），另一方面则使用类似于Aviary的排序提示。
与此同时，还对Aviary的提示进行了修改，从而减少对较长输出的偏见。
团队表示，AlpacaEval有着拔群的效果：
- 与人类多数票的一致性，高于单个人类标注者
- 胜率与人类标注高度相关（0.94）
- 相比于lmsys评测器，有显著提升（从63%提高到69%）
- 胜率
模型的输出在每个指令上优于text-davinci-003（即参考文本）的比例。
具体而言，首先从AlpacaEval数据集中收集了期望模型在每个指令上的输出对，并将每个输出与相同指令下的参考模型（text-davinci-003）的输出进行配对。
随后，把这些输出同时喂给自动评测器，让它去判断哪一个更好（也就是评测器的偏好）。
最后，将数据集中所有指令的偏好进行平均，从而得到模型相对于text-davinci-003的胜率。如果两个模型打平，那么就算半个偏好。
论文地址：https://arxiv.org/pdf/2305.14387.pdf
- 标准误差
胜率的标准误差（通过N-1进行归一化），即不同指令上的平均偏好。
不同评测器的对比
团队通过与收集的2.5K个人工标注（每个指令平均包含4个人工标注）进行比较，评测了AlpacaEval数据集上的不同自动标注程序。
下面就是斯坦福的评测器（alpaca_eval_gpt4）、之前的自动评测器（alpaca_farm_greedy_gpt4、aviary_gpt4、lmsys_gpt4）、人类（humans）以及不同基准模型（gpt4、claude、text_davinci_003、guanaco_33b、chatgpt）的测试结果。
- 人类一致性：标注者与交叉标注集中人类多数票之间的一致性
为了估计单个人类标注者（表格中的humans行）与多数人类之间的一致性，首先需要选取一个标注，并计算其在预测其他3个标注的众数时的准确率。
然后，将所有4个标注和650个指令上的准确率求平均，得到人类一致性，即计算预期的（对于人类和样本）留一法一致性。如果众数不唯一，我们随机选择其中一个众数。
对于自动标注器，我们进行完全相同的计算，以便最终的结果可以进行比较。
- 价格：每1000个标注的平均价格
对于人类来说，这是支付众包工人进行这些标注的价格（每小时18美元）。如果价格取决于用于计算标注的机器（例如Guanaco），则将其留空。
- 时间：计算1000个标注所需的平均时间
对于人类来说，这是每个众包工人标注1000个示例所需时间的中位数。
对于自动标注器，这是运行标注所需的平均时间。值得注意的是，这可能取决于不同用户的API限制以及集群正在处理的请求数量。
最后，为了进一步改善自动评测流程，团队发布了：
- 一个易于定制的流程
- 模型和自动评测器的排行榜
- 分析自动评测器的工具包
- 18K人类标注
- 2K人类交叉标注
局限性
虽然AlpacaEval提供了一个有用的比较模型，但它并不是一个全面的的模型能力评测系统，其局限性可以概括为以下三点：
- 指令比较简单
- 评分时可能更偏向于风格而非事实
- 没有衡量模型可能造成的危害
