LMSYS Org推出的大模型競技場Chatbot Arena，已成為海外最具公信力的大模型榜單之一，但該榜單中文化程度相對不足。近日，上海人工智能實驗室聯(lián)合魔搭社區(qū)推出中國大語言模型評測競技場Compass Arena，首度集齊國內(nèi)主流大模型全陣容，阿里通義千問、百度文心一言、騰訊混元、訊飛星火、字節(jié)跳動豆包、智譜AI、百川智能、零一萬物、月之暗面、Minimax、深度求索、書生·浦語等20款國產(chǎn)大模型出戰(zhàn)，角逐中國大模型“最強王者”。

相比考題固定的傳統(tǒng)測評，大模型競技場采用盲測、開放的測評模式，可以更全面地檢驗?zāi)Ｐ蛯嵙?。Compass Arena設(shè)置了隨機、匿名對戰(zhàn)，大模型選手們成為“蒙面唱將”，模型信息隱去后，由系統(tǒng)隨機匹配進行PK，用戶可以天馬行空自由出題，并作為評委主觀評判和投票。如果大模型不小心“自報家門”，則對話被過濾，不計入成績。通過成千上萬輪PK挑戰(zhàn)和用戶投票，系統(tǒng)將對大模型進行自動排名。

 魔搭社區(qū)直播時，網(wǎng)友腦洞大開在線出題 

Compass Arena由上海人工智能實驗室OpenCompass司南評測體系與魔搭社區(qū)聯(lián)合建設(shè)，前者負責(zé)組織評測，后者負責(zé)開源模型引入及社區(qū)打造。據(jù)上海人工智能實驗室OpenCompass團隊介紹，Compass Arena力求體現(xiàn)社區(qū)用戶的真實反饋，評測機制借鑒Chatbot Arena，采用Elo評分系統(tǒng)，即國際象棋等對弈活動評估的權(quán)威標準。在這種模式下，大模型競技類似“在游戲中打排位”，勝率成為評估模型水平的關(guān)鍵指標，同時隨著排位變高，系統(tǒng)也會自動匹配高段位選手進行對戰(zhàn)。

與Chatbot Arena相比，Compass Arena更聚焦中文大模型，主流國產(chǎn)大模型全覆蓋，同時評測用戶大多使用中文，可以充分評估國產(chǎn)大模型的性能。

目前，Compass Arena已匯聚超20款商業(yè)及社區(qū)模型，包括Qwen-Max、ERNIE-4.0-8K、Spark3.5 Max、Abab6.5、GLM4等國內(nèi)頭部廠商的旗艦款大模型，并引入了Llama3、Mixtral等海外標桿模型進行參照。更多模型及廠商還在不斷加入中。

上線不到一周，已有上萬人訪問魔搭Compass Arena頁面。魔搭社區(qū)表示，歡迎廣大開發(fā)者和網(wǎng)友參與大模型排位賽的投票，共同促進國產(chǎn)大模型的進步和趕超。后續(xù)，Compass Arena首期排行榜將揭曉，并將定期公布更新。

魔搭社區(qū)Compass Arena鏈接：https://www.modelscope.cn/studios/opencompass/CompassArena

Compass Arena首批大模型名單：

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 (字節(jié)豆包)

ERNIE-4.0-8K (百度文心一言)

GLM4 (智譜AI)

Hunyuan-Pro (騰訊混元)

InternLM2系列（上海AILab書生·浦語）

Llama3系列（Meta）

Mixtral 8x22B Instruct (Mistral)

MoonShot-V1-32K (月之暗面)

Qwen1.5系列 (阿里通義千問)

Qwen-Max (阿里通義千問)

Spark3.5-Max (訊飛星火)

Yi-34B-Chat (零一萬物)

Yi-Large (零一萬物)

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。