前段时间，由27岁的华裔创始人Alexandr Wang领导的Scale AI刚刚因为融资圈了一波关注。
今天，他又在推特上官宣推出全新LLM排行榜——SEAL，对前沿模型开展专业评估。
SEAL排行榜主打三个特色：
- 私有数据
Scale AI的专有私有评估数据集无法被操控，确保了结果的公正性和无污染。
- 不断发展
定期使用新的数据集和模型更新排行榜，营造一个动态的竞赛环境。
- 专家评估
评估由经过严格审查的专家进行，确保最高的质量和可信度。
榜单地址：https://scale.com/leaderboard
这篇推特获得了Jim Fan大佬的转发，他认为SEAL是LMSys的非常好的补充和参照，提供公开模型的私密、安全、可信的第三方评估。
对此，Andrej Karpathy也深以为然。
代码
在代码任务中，GPT-4 Turbo Preview位列第一，然后是GPT-4o、Gemini 1.5 Pro（Post-I/O）。
而专门训练的代码模型CodeLlama 34B Instruct排在了第11位。
Scale AI编码提示集包含1,000个提示，涵盖各种编程语言、学科和编程任务，从调试到代码优化，从文档生成到理解复杂代码库，等等。
诸如HumanEva、Pass@k、MBPP、SWE-Bench、LiveCodeBench等评估基准在首次出现时很有用，但随着模型开始过拟合，它们已经变得不那么有价值了。
此外，这些模型与这些基准进行评估的方法往往不标准化，缺乏跨测试或随时间比较分数的核心要求。
Scale编码评估提供了一个标准化的LLM评估框架，能够跨模型进行比较并识别其优缺点。目前，它涵盖了最常请求的编程语言的用例集。
代码生成：根据给定的自然语言规范或描述创建新代码。
代码修复：识别并纠正现有代码中的错误。例如，调试、解决语法错误和修复逻辑错误。
代码理解：解释、阐明或澄清现有代码。例如，阐明某些代码段的工作原理，分解复杂算法。
代码修改：对现有代码进行更改或调整以满足新要求或条件。例如，更改功能，更新或增强特性。
代码优化：提高现有代码的性能。例如，提高效率，减少资源消耗（如内存或处理时间）。
学习辅助：帮助学习或理解编程概念、语言或工具。例如，提供最佳实践指导，解释编程概念。
代码翻译：将代码从一种编程语言转换为另一种语言，并根据目标语言的最佳实践调整代码结构、风格和习惯用法。
建议提供：提供关于编码实践、工具、库或框架的建议或意见。
注释改进：在现有代码中添加或改进注释。
测试开发：开发、增强或修复现有代码的测试。
用例分布
编码语言分布
为了确保评估过程的彻底性和可靠性，每个任务由不同的人工注释员并行执行了三次。
评分经过两个阶段的审查：初步审查层和最终审查层。
这种评估方法不仅生成总体排名，还有助于突出模型在不同领域的优势和劣势，并回答以下问题：
- 模型在SQL、Java、HTML/CSS和C++提示上的表现如何？
- 模型在复杂场景中的竞争力如何？
评估方法
测试栗子
结果分析
模型通常在「注释」和「理解」任务中表现良好，但在「翻译」和「生成」任务中常遇到困难。
此外，「正确性/功能性」和「可读性/文档」也是所有模型的两个主要错误来源。
- GPT
两个GPT-4模型在各种用例中表现最为一致。其中，较新的gpt-4o-2024-05-13相比gpt-4-0125-preview更容易出现可读性问题，有时会不必要地重复提示中的代码，导致响应更加冗长。
- Gemini
所有三个Gemini模型在建议任务中表现出色，分别排名第1、第2和第3，但在测试任务中表现较差。新的gemini-1.5-pro-preview-0514相比之前的gemini-1.5-pro-preview-0409有显著提升，特别是在「正确性/功能性」和「可读性/文档」方面。
- Claude
claude-3-opus-20240229通常比claude-3-sonnet-20240229表现更好，特别是在「正确性/功能性」类别中错误更少，除了某些翻译任务。
数学
在数学分类榜中，Claude 3 Opus竟打败了GPT-4 Turbo Preview霸占榜首，然后第三名是GPT-4o.
另外，Claude 3的「中杯」模型Sonnet，都超过了Gemini系列的模型。
不得不说，在数学这块，还是Claude3是王者。
数学和推理仍然是当前大语言模型（LLM）面临的主要未解决问题之一。然而，现有的公共基准如GSM8k却存在着致命的数据污染问题。
为全面评估模型的各方面能力，Scale AI设计了一个全新的数学和推理数据集——GSM1k。
GSM1k基于GSM8k基准的分布和难度，并引入全新的一组问题。其中，包含了一系列相当于五年级数学考试水平的数学问题。
它的构建花了不到3周的时间，标注团队的成员包括小学数学教育者和具有教育、数据分析、计算机科学、物理和经济学背景的专家。
值得注意的是，GSM1k的数据收集过程并没有用到LLM的帮助。
此外，为了防止模型在GSM1k上过拟合，团队决定仅公开1,000个问题中的50个样本。
测试栗子
指令跟随
针对模型指令跟随测试，GPT-4o、GPT-4 Turbo Preview、Llama 3 70B Instruct分别跃居前三。
同时，Mistral Large的实力也不输其他的模型。
这说明在能否准确遵循人类提示方面，GPT-4系列模型还是更厉害些。
Scale AI精确指令跟随提示数据集包含1,054个指令跟随提示，目的是评估AI模型解释和执行详细命令的能力，重点在于精确性和具体性，并解决过拟合问题。
数据集中的提示共分为9类，包括「扮演……的角色」、内容创作和头脑风暴，并涵盖指令跟随任务的实际应用和用例。
它由一个40多名人工标注员组成的多样化团队生成，并通过五个步骤的开发，确保提示能够测试模型理解和执行具体指令的能力。
最终，实现对模型对这些提示集的响应进行人工评估。
测试栗子
西班牙语
在西班牙语测试上，GPT-4o霸榜第一，而Gemini 1.5 Pro（Post-I/O）超过了GPT-4 Turbo Preview。
随后，Gemini另外两个模型也进入榜单前五。
在Scale AI多语言提示数据集中，每个语种都包含1,000个提示，目的是提升模型在多种语言中的交互能力。
数据集特别针对西班牙用户，包括来自西班牙、墨西哥和拉丁美洲其他地区的用户。
虽然排行榜目前只包含西班牙语，但在未来的更新中，会扩展到更多语言。
方法
如何计算Elo评分排名
在评估过程中，人工评审会比较两个模型对同一提示的回答，并在多个方面评估哪个更好。根据这些评分，便可以确定哪个模型赢了、哪个输了，或者打平。
此外，团队还采用了与Chatbot Arena相同的方法，使用Bradley-Terry模型对我们的数据点进行重新权重的最大似然估计。
首先是一些定义：
对于𝑀个模型，用𝐴={(𝑚,𝑚′):𝑚<𝑚′, and 𝑚,𝑚′∈[𝑀]}表示比较数据集。
在𝑡∈𝑁时，向人工评审提供一对模型𝐴𝑡∈𝐴，并记录评审的回应𝐻𝑡∈[0,0.5,1]。
其中，1表示模型𝑚优于模型𝑚′，而0.5则表示两个模型同样受欢迎。
通过Bradley-Terry，利用逻辑关系来模拟这种情况发生的概率：
其中，𝜉是一个M长的BT系数向量。然后，通过最小化二元交叉熵损失来估计BT系数：
其中，𝑙是二进制交叉熵损失：
𝑙(ℎ,𝑝)=−(ℎlog(𝑝)+(1−ℎ)log(1−𝑝))
此外，还需使用反向加权𝑃(𝐴𝑡)来最小化这一损失，目标是使分数在𝐴上呈现均匀分布。尽管这种反向加权并不是绝对必要的，因为模型之间的成对比较已经非常接近相等。
接着，使用下面的公式来计算最终的BT分数：
其中𝐴𝑡~𝑃。利用简单转换1000+𝑠(𝑃^)×400将该分数转换为Elo评分，然后进行排序，得出最终排名。
置信区间
为了更好地理解Elo评分的Bradley-Terry评级的可靠性，团队使用自举法（Bootstrapping）来估计置信区间。自举法是一种重采样技术，通过从数据中反复抽样来评估估计值的变异性。
1. 生成自举样本：从数据集中反复抽样，生成多个自举样本。每个样本的大小与原始数据集相同，但由于重采样的特性，样本中会包含一些重复的观测值。
2. 计算每个样本的Elo评分：对于每个自举样本，使用前面提到的最大似然估计方法来计算Elo评分。
3. 汇总结果：在计算了大量自举样本的Elo评分（例如1000轮）后，汇总这些结果，估计每个模型的Elo评分分布。
4. 估计置信区间：根据汇总的自举结果，确定每个模型的Elo评分的置信区间。
LLM评估的重要性
Karpathy在转发Wang的推特时，打了很长一段文字，描述LLM评估的困难与重要性。
LLM评估正在改进，但不久前他们的状态非常黯淡，定性经验常常与定量排名不一致。
这是因为良好的评估非常难以构建。
在特斯拉，我可能将1/3的时间花在数据上，1/3的时间花在评估上，1/3 的时间花在其他事情上。评估必须全面、有代表性、高质量，并测量梯度信号（即梯度下降不能太容易，也不能太难）。而且将定性和定量评估对齐之前，需要解决很多细节，其中有一些微妙的地方。
另一个不容易发现的地方是，任何开放（非私有）测试数据集都不可避免地泄漏到训练集中。人们直觉上的强烈怀疑这一点，这也是最近GSM1k流行的原因。
即使LLM开发人员尽最大努力，防止测试集渗透到训练集（以及模型记住答案）也很困难。当然，你可以尽力过滤掉训练集中与测试集完全匹配的内容，还可以过滤掉n-gram识别的近似匹配。但是，如何过滤掉合成数据重写或网上对数据的讨论内容？如果定期训练多模态模型，如何过滤数据的图像/屏幕截图？如何防止开发人员将训练数据（比如embedding）放到测试集中，并专门使用与测试集高度对齐（在向量空间）的数据进行训练？
最后一点是，并非所有我们关心的LLM任务都是可自动评估的（例如思考总结等），此时你希望让人类参与进来。但如何控制所有涉及的变量？例如人类评估者在多大程度上关注实际答案内容，或者长度、文字风格，或者如何看待模型拒绝回答的行为等等。
不管怎样，反直觉的一点是，良好的评估是困难的，且需要高度密集的工作，但非常重要，所以我很高兴看到更多的组织加入，努力做好这件事。
Karpathy指路了一个GitHub博客，探讨了为什么在Eleuther AI创建的公开LLM排行榜上，Llama模型得到的MMLU测评分数低于论文提供的数字。
项目地址：https://github.com/huggingface/blog/blob/main/open-llm-leaderboard-mmlu.md
此外，他谈到的测试数据泄露问题，Open AI研究员Jason Wei在最新的一篇博客中也提到过。
文章地址：https://www.jasonwei.net/blog/evals
而且最近的一篇论文中有比较充分的证据。
论文地址：https://arxiv.org/html/2405.00332
他们发现，许多公开的模型在GSM-8K数据集上有明显的过拟合表现，而且在同类的GSK-1K上测试时，多数模型都会有很大程度的性能下降。
论文地址：https://arxiv.org/html/2405.00332