LMSYS Org推出的大模型竞技场Chatbot Arena,已成为海外最具公信力的大模型榜单之一,但该榜单中文化程度相对不足。近日,上海人工智能实验室联合魔搭社区推出中国大语言模型评测竞技场Compass Arena,首度集齐国内主流大模型全阵容,阿里通义千问、百度文心一言、腾讯混元、讯飞星火、字节跳动豆包、智谱AI、百川智能、零一万物、月之暗面、Minimax、深度求索、书生•浦语等20款国产大模型出战,角逐中国大模型“最强王者”。
相比考题固定的传统测评,大模型竞技场采用盲测、开放的测评模式,可以更全面地检验模型实力。Compass Arena设置了随机、匿名对战,大模型选手们成为“蒙面唱将”,模型信息隐去后,由系统随机匹配进行PK,用户可以天马行空自由出题,并作为评委主观评判和投票。如果大模型不小心“自报家门”,则对话被过滤,不计入成绩。通过成千上万轮PK挑战和用户投票,系统将对大模型进行自动排名。
![](https://pic.doit.com.cn/2024/05/2024053106204526.jpg)
Compass Arena由上海人工智能实验室OpenCompass司南评测体系与魔搭社区联合建设,前者负责组织评测,后者负责开源模型引入及社区打造。据上海人工智能实验室OpenCompass团队介绍,Compass Arena力求体现社区用户的真实反馈,评测机制借鉴Chatbot Arena,采用Elo评分系统,即国际象棋等对弈活动评估的权威标准。在这种模式下,大模型竞技类似“在游戏中打排位”,胜率成为评估模型水平的关键指标,同时随着排位变高,系统也会自动匹配高段位选手进行对战。
与Chatbot Arena相比,Compass Arena更聚焦中文大模型,主流国产大模型全覆盖,同时评测用户大多使用中文,可以充分评估国产大模型的性能。
目前,Compass Arena已汇聚超20款商业及社区模型,包括Qwen-Max、ERNIE-4.0-8K、Spark3.5 Max、Abab6.5、GLM4等国内头部厂商的旗舰款大模型,并引入了Llama3、Mixtral等海外标杆模型进行参照。更多模型及厂商还在不断加入中。
上线不到一周,已有上万人访问魔搭Compass Arena页面。魔搭社区表示,欢迎广大开发者和网友参与大模型排位赛的投票,共同促进国产大模型的进步和赶超。后续,Compass Arena首期排行榜将揭晓,并将定期公布更新。
魔搭社区Compass Arena链接:https://www.modelscope.cn/studios/opencompass/CompassArena
Compass Arena首批大模型名单:
Abab6.5-Chat (MiniMax)
Baichuan 4 (百川智能)
C4AI Command R+ (Cohere)
DBRX-Instruct (DataBricks)
Deepseek-LLM-67B-Chat(深度求索)
Deepseek-MoE-16B-Chat(深度求索)
Doubao-Pro-4K (字节豆包)
ERNIE-4.0-8K (百度文心一言)
GLM4 (智谱AI)
Hunyuan-Pro (腾讯混元)
InternLM2系列(上海AILab书生•浦语)
Llama3系列(Meta)
Mixtral 8x22B Instruct (Mistral)
MoonShot-V1-32K (月之暗面)
Qwen1.5系列 (阿里通义千问)
Qwen-Max (阿里通义千问)
Spark3.5-Max (讯飞星火)
Yi-34B-Chat (零一万物)
Yi-Large (零一万物)