评估日益发展的大型语言模型（LLM）是一个复杂的任务。传统的基准测试往往难以跟上技术的快速进步，容易过时且无法捕捉到现实应用中的细微差异。为此，LM-SYS研究人员提出了一个全新的大模型评测基准——Arena Hard。这个平常基准是基于Chatbot Arena发展而来，相比较常规的评测基准，它更难也更全面。

什么是Arena Hard

Arena Hard不仅仅是另一个静态测试；它是一个复杂的数据管道，利用来自Chatbot Arena（一个受欢迎的众包LLM评估平台）的实时数据构建高质量的基准。这个创新的方法确保了基准测试始终保持最新，反映了现实中的用户互动，避免了测试集泄漏的问题。目前，基准测试的版本是Arena-Hard-Auto v0.1，包括500个直接来自Chatbot Arena的挑战性用户提问。

传统的基准测试存在几个主要缺点

传统的大模型评测基准，如MMLU等，其实已经无法有效区分大模型的能力了。2023年3月份，GPT-4在MMLU获得了86.4分之后，大模型在这个评测基准上的得分非常有限，一部分是因为这个评测本身包含了一些错误，一部分也是因为评测基准本身不够复杂，无法区分强的大模型的能力。

传统的这些基准测试主要的问题可以总结如下：

• 静态问题集：固定的数据集可能导致模型只针对基准本身进行优化，而非真正的改进。
• 缺乏现实相关性：许多基准使用人工任务或选择题格式，这些并不反映实际的LLM使用场景。
• 区分度差：随着模型越来越复杂，传统的基准测试常常无法有效区分它们的表现。

Arena Hard的出现，正是为了应对这些具体问题，提供一种更为相关、可靠且动态的评估方法。

Arena Hard的工作原理

LM-SYS是一个多个高校研究人员组成的大模型研究机构，此前，该机构最著名的是推出了大模型匿名竞技场，即Chatbot Arena，让普通人使用这个平台对大模型提问，然后不同的匿名模型同时返回答案，用户投票选择谁更好的方式来做大模型评测。

关于LM-SYS具体的问题介绍：https://www.datalearner.com/ai-organizations/LM-SYS

Arena-Hard 的数据来源于 Chatbot Arena。Chatbot Arena 收集了超过 200,000 条用户查询，Arena-Hard 从这些数据中自动提取高质量的提示（prompts），以确保评测基准的多样性和质量。

而Arena Hard是他们最新的成果，简单总结如下：
首先用主题模型和大模型从众包问题中提取不同类型的问题，大约有4000个，然后从中筛选250个高质量主题，每个主题下再随机抽取2个历史用户的提示词，组成包含了500个提示词的评测集。

评测新模型的时候，让新模型回答这个评测集，再将答案与基准模型（GPT-4）答案对比，用更强的模型对比新模型和基准模型，获得最终的分数。

Arena Hard的主要特点

• 实时数据驱动：利用实际用户互动生成相关且具有挑战性的提问。
• 自动化评估：使用GPT-4-Turbo作为自动评判工具，比对模型的回答，减少人工评估的需求。
• 高可分离性：有效区分不同模型的表现。
• 与人类偏好高度一致：与用户在Chatbot Arena上表达的偏好高度契合。
• 成本高效且快速：自动化评估使得评估过程比传统方法更快捷、更经济。
• 定期更新：定期刷新，确保基准测试的相关性，并防止过拟合。

Arena Hard和其它评测基准的对比

LM-SYS官网对Arena Hard和一些评测基准做了对比，发现Arena Hard对于模型有更好的区分度。

下表是对比结果：

同时，LM-SYS也给出了Arena Hard对不同模型的评测结果：