第26课：大模型擂台赛
进度 0/30
🏟️
大模型擂台赛
大模型怎么比武？看懂排行榜
📖知识引入
📝基准测试（跑分）
给模型出统一考卷：数学、代码、常识……考出分数排名，像学校统考，客观但可能「应试」。
🗳️人类盲测（Arena）
让真人匿名对比两个模型的回答，投票选更好的。反映真实体感，像大众点评。
🤖智能体评测
考模型「动手能力」：会不会用工具、能不能连续完成复杂任务、能否操作电脑办事。
📊两大榜单代表
「智能指数」看跑分综合分，「Arena」看真人投票Elo分。两个榜都靠前才是真强者。
🧐看榜要理性
榜单会「应试」，厂商会刷分。实际好不好用，还得自己上手试，适合自己才是真的好。
💡
跑分看能力，盲测看体感，上手才最真！
🔍读懂大模型排行榜
大模型的「考试」体系：
📝 基准测试（跑分类） MMLU：通识知识问答 AIME：数学竞赛 SWE-bench：真实编程修Bug GPQA：博士级科学题
🗳️ 人类盲测（体验类） Arena：匿名对比投票 看不见品牌，全凭回答质量
🤖 智能体评测（动手类） 能否连续操作电脑完成任务
排行的意义：
参考→不迷信
榜首→不等于适合你
试过→才知道好不好
🎯小测验
第1题：Arena盲测是怎么评的？
第2题：SWE-bench测试什么能力？
第3题：面对排行榜的正确态度是？
📝本课知识点
- ✓基准测试=统一考卷跑分
- ✓Arena=真人盲测投票
- ✓智能体评测=考动手能力
- ✓跑分盲测都强才是真强者
- ✓榜单只参考，上手最重要
第26课完成！继续探索下一课吧 🚀