分析自动评测器的工具包-德赢Vwin官网网

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。

▲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