English(EN) Similar Models, Broken Odds: Where Luce's Axiom Fails in Chatbot Arena

研究发现：聊天机器人竞技场排名模型对相似大型语言模型失效

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

一篇新的arXiv论文《相似模型，失效的概率》探讨了聊天机器人竞技场用于对语言模型进行排名的Bradley-Terry模型的局限性。研究发现，该模型基于Luce选择公理，由于未能充分考虑高度相似模型之间投票的决定性，从而过度简化了排名。在超过180万张投票中，同一模型版本之间的投票比预测的决定性高出1.37倍，在同一代或同一实验室的模型中也观察到了类似效应。研究人员提出了一个更准确的四到六参数修正模型，该模型能更好地预测未包含的投票，特别是通过模拟平局，尽管它仅略微改变了整体排行榜的顺序。 AI

影响凸显了当前大型语言模型评估方法的缺陷，可能导致更细致的排名系统。

排序理由分析大型语言模型排名方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 分析大型语言模型排名方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Soovadeep Bakshi, Apurba Bose, Aishwarya Bose, Sandip Nandi · 2026-10-15 04:00

相似模型、破灭的赔率：Luce公理在聊天机器人竞技场中失效之处

arXiv:2610.19095v1 Announce Type: new Abstract: Chatbot Arena ranks language models with the Bradley-Terry model, which gives each model one score and so assumes Luce's choice axiom. Choice theory predicts where this fails: near-copies are told apart more decisively than their sc…

本文如何被排名

报道来源 [1]

相似模型、破灭的赔率：Luce公理在聊天机器人竞技场中失效之处

相关实体

相关话题