Datawhale发布 

发布：上海人工智能实验室、魔搭社区


了解大语言模型的小伙伴们想必对LMSYS Org推出的大模型竞技场Chatbot Arena已经有所耳闻了，Chatbot Arena目前是海外最具公信力的大模型榜单之一，但该榜单中文化程度还相对不足。

 OpenCompass：大模型评测的实践与思考

近期，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明星阵容，里面包括：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”。

Compass Arena 体验链接：

https://modelscope.cn/studios/opencompass/CompassArena/summary

扫码体验

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。

魔搭社区直播时，网友脑洞大开在线出题
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效果。

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。

期望 Compass Arena 能在国内携手构建一个开放、公平、透明的大语言模型评估体系，推动大模型评测的公正性和客观性，提供可信赖的大模型评估参考，促进大语言模型技术的健康发展和持续创新。

大模型哪家强，小伙伴们可以直接体验 Compass Arena （或点击阅读原文直达）

内容中包含的图片若涉及版权问题，请及时与我们联系删除