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。

　　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，谷歌Gemini-1.5-flash小模型也有所回落。

　　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。

　　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。

　　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。

　　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、谷歌Gemini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）。

　　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。