前段時間，UC伯克利主導的「LLM排位賽」備受圈內關注。

除了各類開源模型外，還有GPT-4、PaLM 2等眾多「閉源」模型，甚至還開設了一個「準中文」排行榜。

最近，來自斯坦福的團隊，也發布了一款LLM自動評測系統——AlpacaEval，以及對應的AlpacaEval Leaderboard。

在斯坦福的這個排行榜中，GPT-4依然以絕對領先的優勢奪得第一，勝率超過了95%。

緊隨其后的是，勝率都在80%以上的Claude和ChatGPT。其中，Claude以不到3%的優勢拿下第二，而ChatGPT則位列第三。

此次獲得第四名的，則是一位排位賽新人——微軟華人團隊發布的WizardLM。

UC伯克利的Vicuna發揮依然穩定，憑借著超過70%的勝率排在第六。

相比之下，斯坦福自己的Alpaca卻只排到了第16……

其實，團隊自從原始的Alpaca推出以來，已經做了不小的改進——勝率從26%提升到了44%，但依然距離領獎臺很遠。

對此，其中一位作者有些無奈地表示：「是不是我們哪里做的不對？」

AlpacaEval：易使用、速度快、成本低、經過人類標注驗證

AlpacaEval把AlpacaFarm和Aviary進行了結合。

一方面使用與AlpacaFarm相同的代碼（緩存/隨機排列/超參數），另一方面則使用類似于Aviary的排序提示。

與此同時，還對Aviary的提示進行了修改，從而減少對較長輸出的偏見。

團隊表示，AlpacaEval有著拔群的效果：

• 與人類多數票的一致性，高于單個人類標注者
• 勝率與人類標注高度相關（0.94）
• 相比于lmsys評測器，有顯著提升（從63%提高到69%）

• 勝率

模型的輸出在每個指令上優于text-davinci-003（即參考文本）的比例。

具體而言，首先從AlpacaEval數據集中收集了期望模型在每個指令上的輸出對，并將每個輸出與相同指令下的參考模型（text-davinci-003）的輸出進行配對。

隨后，把這些輸出同時喂給自動評測器，讓它去判斷哪一個更好（也就是評測器的偏好）。

最后，將數據集中所有指令的偏好進行平均，從而得到模型相對于text-davinci-003的勝率。如果兩個模型打平，那么就算半個偏好。

論文地址：https://arxiv.org/pdf/2305.14387.pdf

• 標準誤差

勝率的標準誤差（通過N-1進行歸一化），即不同指令上的平均偏好。

不同評測器的對比

團隊通過與收集的2.5K個人工標注（每個指令平均包含4個人工標注）進行比較，評測了AlpacaEval數據集上的不同自動標注程序。

下面就是斯坦福的評測器（alpaca_eval_gpt4）、之前的自動評測器（alpaca_farm_greedy_gpt4、aviary_gpt4、lmsys_gpt4）、人類（humans）以及不同基準模型（gpt4、claude、text_davinci_003、guanaco_33b、chatgpt）的測試結果。

• 人類一致性：標注者與交叉標注集中人類多數票之間的一致性

為了估計單個人類標注者（表格中的humans行）與多數人類之間的一致性，首先需要選取一個標注，并計算其在預測其他3個標注的眾數時的準確率。

然后，將所有4個標注和650個指令上的準確率求平均，得到人類一致性，即計算預期的（對于人類和樣本）留一法一致性。如果眾數不唯一，我們隨機選擇其中一個眾數。

對于自動標注器，我們進行完全相同的計算，以便最終的結果可以進行比較。

• 價格：每1000個標注的平均價格

對于人類來說，這是支付眾包工人進行這些標注的價格（每小時18美元）。如果價格取決于用于計算標注的機器（例如Guanaco），則將其留空。

• 時間：計算1000個標注所需的平均時間

對于人類來說，這是每個眾包工人標注1000個示例所需時間的中位數。

對于自動標注器，這是運行標注所需的平均時間。值得注意的是，這可能取決于不同用戶的API限制以及集群正在處理的請求數量。

最后，為了進一步改善自動評測流程，團隊發布了：

• 一個易于定制的流程
• 模型和自動評測器的排行榜
• 分析自動評測器的工具包
• 18K人類標注
• 2K人類交叉標注

局限性

雖然AlpacaEval提供了一個有用的比較模型，但它并不是一個全面的的模型能力評測系統，其局限性可以概括為以下三點：

• 指令比較簡單
• 評分時可能更偏向于風格而非事實
• 沒有衡量模型可能造成的危害