Elo
PulseAugur coverage of Elo — every cluster mentioning Elo across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
普林斯顿研究人员训练40亿参数大语言模型掌握国际象棋并解释走法
普林斯顿的研究人员开发了一个拥有40亿参数的大语言模型，该模型在国际象棋中达到了2700 Elo评分。该模型展示了准确解释其走法的能力，并且在训练过程中未显示出性能平台期。研究团队认为，这种训练方法可以扩展到其他领域，包括机器人技术和通用计算机使用。
-
新的AMBER框架优化视觉-语言模型重排序
研究人员推出AMBER，一个用于优化视觉-语言模型（VLMs）在多模态检索任务中使用的创新框架。AMBER通过动态分配计算资源来解决VLMs的高推理成本问题，这与之前使用固定计划的方法不同。该系统使用连续的Elo更新来维护全局排序状态，并智能地选择候选视图和查询以最大化信息增益。在CIRR、CIRCO和PhotoBench等基准数据集上的实验表明，在相似预算下，AMBER的表现优于其他多调用VLM重排序方法。
-
新的大语言模型“Queen”以特级大师水平下棋并解释走法 · 追踪4个来源
研究人员开发了一个名为Queen的新颖框架，这是一个拥有40亿参数的语言模型，能够以特级大师水平下棋并解释其走法。该模型集成了静默专家国际象棋编码器和指令微调的语言模型，通过迭代训练来提高棋力及其解释的一致性。该方法使用了贝尔曼更新的自然语言类比，在Elo评分方面取得了显著的进步，并暗示了一种通用的方法，可以将语言模型应用于其他拥有可用专家编码器的领域，例如机器人和计算机使用。
-
新的Stackelberg对齐框架增强了LLM的协同能力
研究人员开发了Stackelberg对齐（Stackelberg Alignment），一个通过协同学习改进语言模型的新框架。这种受博弈论启发的方法使用自适应课程来选择指令，随着模型的演进，优先选择提供最有价值学习信号的指令。实验表明，Stackelberg对齐在各种基准测试中的表现显著优于现有方法，通过智能地将训练精力集中在信息量最大的任务上，从而实现了更高的性能。
-
揭示了用于 LLM 社交推理的新基准和训练方法
研究人员推出了 Social Gym，这是一个包含 21 种多智能体社交游戏的新环境，旨在客观地对 LLM 的社交推理进行基准测试和改进。该系统使用 Elo 锦标赛对模型进行排名，结果显示 GPT-5 mini 领先，但在所有游戏和角色中表现不均衡。为了解决这些局限性，开发了 SPaRTan（Self-Play and Reflect-Transfer）方法，这是一种无需训练的循环，模型在该循环中生成并应用剧本以提高其性能，特别是使 …
-
AI系统利用战术画像预测足球比赛结果，表现优于传统方法
研究人员开发了Sim2Win，一个新颖的框架，用于在不依赖球队名称或身份的情况下预测足球比赛结果和分析球队战术。该系统利用基于事件的数据来构建战术画像和识别打法，对未见过的球队表现出强大的泛化能力。评估显示，Sim2Win的表现优于ELO和Pi-Rating等传统方法，其中CatBoost在评估模型中取得了最高的准确率。
-
新的ELO算法增强了学习型优化器在长时域任务上的性能
研究人员开发了一种新的元训练算法，称为高效长时域（ELO）学习，以解决当前学习型优化器（LOs）的局限性。ELO通过将计算重新分配到更长的失败模式，并提供解耦的渐进式专家监督来稳定学习信号，从而有效地将元训练扩展到长时域的内部问题。这种方法提高了LOs在语言建模和图像分类等下游任务上的性能和分布外泛化能力，ELO训练的优化器持续优于AdamW，并与Muon竞争。
-
新的ELO算法增强了学优化器在长视野任务上的性能
研究人员开发了一种名为ELO（Efficient Long-hOrizon）的新元训练算法，以改进学优化器（LOs）。ELO解决了元训练扩展到长视野问题以及与Adam和Muon等成熟优化器竞争的挑战。该算法将计算重新分配到更长的失败模式，并使用渐进式专家监督来获得稳定的学习信号。实证研究表明，ELO在下游语言建模和图像分类任务上显著增强了LO的性能，其中ELO-Celo2在语言建模上持续优于AdamW，并与Muon保持竞争力，同时元训…
-
足球预测引擎 Model90 使用贝叶斯方法预测 2026 年世界杯
一位生物反应器工程师开发了 Model90，一个用于足球比赛的统计预测引擎，涵盖 2026 年 FIFA 世界杯和欧洲主要赛事。该引擎采用一个八阶段流程，结合了 Dixon-Coles 双变量泊松模型、Elo 评分和预期进球等多种统计模型，以及上下文信号。Model90 旨在实现准确的概率校准，其在世界杯前 24 场比赛中获得的 0.193 的布里尔分数（Brier score）证明了这一点，这远优于随机猜测。
-
新的国际象棋评分系统使用认知模型来追踪技能变化
研究人员开发了一种新的国际象棋技能评估框架，称为漂移扩散增强型 Elo 评分系统 (DD-Elo)。该系统借鉴了认知神经科学的漂移扩散模型，纳入了走子级别的数据，捕捉了传统 Elo 评分（仅依赖比赛结果）之外的快速技能波动。DD-Elo 在大量实验中已被数学证明在理论上与 Elo 系统保持一致，同时展示了对技能变化的更快适应性。该框架被呈现为一个可解释、响应迅速且向后兼容的国际象棋评分生态系统解决方案，其实现代码已公开提供。
-
新方法评估人工智能生成视频的物理一致性
研究人员开发了新的方法来评估世界模型生成的视频的物理一致性，填补了当前模拟工具的空白。这些无参考度量结合了相对和绝对评估来量化物理保真度，与依赖人工投票或不可用的真实情况的现有方法不同。通过使用 DROID-SLAM 和 SEA-RAFT 等工具，新方法识别并可视化物理不一致之处，从而在模拟环境中训练的模型任务成功率方面提高了 8% 以上。
-
新框架使用AI指导人类比较以实现高效排名
研究人员开发了一种新颖的人机协同排序框架，称为Surprise-Guided MergeSort (SGS)。该系统使用视觉语言模型（VLM）来识别真正需要人类判断的比较，而不是完全取代人类标注员。SGS集成了MergeSort调度器、一个结合了VLM置信度、Elo差距和投票熵的惊喜评分器，以及一个自适应预算分配器，将高惊喜度配对分配给人类，同时自动化低惊喜度配对。在文本相似性和图像质量评估的六个基准测试中，SGS成功地在每次会话中跳…
-
新研究验证了成对比较在人工智能模型准确性评估中的有效性
一篇新研究论文提出，常用于评估生成模型的成对比较与基于准确性的排名高度一致。该研究将五个基准测试转化为生成式评估，并发现 Elo 排名与准确性排名的 Spearman 相关系数高于 0.9。研究还表明，风格偏见和评委偏见对模型排名的影响很小，尽管回答后的重复可能会影响评委的偏好。
-
新方法通过人工智能和人类见解提高 LLM 评估的准确性
研究人员开发了新的方法来提高大型语言模型 (LLM) 评估的准确性和校准性。一种方法是 Conformal Elo Estimation，它使用 LLM 的判断来估计 Elo 等级分，以显著更低的成本获得接近人类评级的结果。另一种方法 PRECISE 结合了少量人类标签和 LLM 判断，以纠正排名指标中的偏差，从而实现更可靠的评估并改进对表现最佳模型的识别。这些技术旨在为开发人员提供 LLM 性能的校准估计和不确定性边界，而无需大量人工标注。
-
研究发现全球LLM排行榜具有误导性，提出投资组合排名
一篇新的研究论文认为，目前大型语言模型（LLM）的排行榜因用户在不同语言和任务上的偏好存在显著异质性而具有误导性。该研究分析了Arena上52个LLM的约89,000次比较，发现全球排名常常掩盖了用户意见的特定亚群。为解决此问题，研究人员提出了一种$(\lambda, \nu)$-投资组合框架，这是一小组模型，旨在以有界的预测误差覆盖特定比例的用户偏好。
-
Chess-GPT 模型学习世界模型，可通过操纵改变其技能水平
研究人员探索了对一个为国际象棋而训练的语言模型（称为 Chess-GPT）进行干预的方法。通过操纵模型对棋盘状态和玩家技能的内部表征，他们证明了这些表征与模型的输出之间存在因果关系。这项工作回应了关于大型语言模型是否拥有真正世界模型还是仅仅学习表面模式的怀疑，表明有针对性的编辑可以影响模型的棋力水平和走子生成。