lmsys.org的一个严肃的竞争对手已经加入了对LLMs（大型语言模型）评估的讨论中：SEAL Leaderboards——对领先前沿模型进行的私密、专家评估。
SEAL Leaderboards的设计原则：
🔒私密 + 无法被利用。在评估上不会过度拟合！
🎓领域专家评估
🏆持续更新，包含新数据和模型
https://x.com/karpathy/status/179587366648140201
Andrej Karpathy（原OpenAI的创始成员和研究科学家，也是特斯拉人工智能和自动驾驶部门(Autopilot)原负责人）的一些观点：
- LLM评估正在改进，但不久前它们的状况非常糟糕，因为定性体验经常与定量排名不符。
- 好的评估很难构建——在特斯拉，Karpathy可能花了1/3的时间在数据上，1/3在评估上，还有1/3在其他所有事情上。它们必须全面、代表性强、质量高，并测量梯度信号（即不要太容易，也不要太困难），在定性和定量评估一致之前，有很多细节需要考虑和正确处理。
- 任何公开（非私有）的测试数据集不可避免地会渗透到训练集中。这是人们强烈直觉上怀疑的事情，也是为什么最近的GSM1k引起了轰动。https://arxiv.org/html/2405.00332。
- 即使LLM开发者尽了最大努力，防止测试集渗透到训练集中（以及答案被记住）也是困难的。当然，你可以尽力过滤掉完全匹配的项。你也可以过滤掉近似匹配的项，比如使用n-gram重叠等。但是你如何过滤掉合成数据重写，或者有关数据的相关在线讨论呢？一旦我们开始常规地训练多模态模型，你如何过滤掉数据的图像/截图？你如何防止开发者，例如，向量嵌入测试集，并特别针对与测试集在嵌入空间中高度一致的数据进行训练？
- 大家关心的并非所有LLM任务都可以自动评估（例如，想想摘要等），在这种情况下，你希望涉及人类。当你这样做时，你如何控制所有涉及的变量，比如人们有多关注实际答案，或者长度，或者风格，或者如何处理拒绝等。
- 好的评估出人意料地困难，工作量巨大，但非常重要。
SEAL Leaderboards一些大模型评估结果，包括一些领先大模型：
- GPT-4o - GPT-4 Turbo - Claude 3 Opus - Gemini 1.5 Pro - Gemini 1.5 Flash - Llama3 - Mistral Large
图片
图片
图片
SEAL Leaderboards https://scale.com/leaderboard