HƯỚNG DẪN KỸ THUẬT

Đánh giá theo cặp và Elo

Đánh giá theo cặp yêu cầu giám khảo so sánh hai câu trả lời cho cùng một lời nhắc; các phương pháp tổng hợp như Elo hay Bradley-Terry tóm tắt nhiều so sánh thành thứ hạng tương đối.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của việc đánh giá theo cặp và Elo
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Kết quả phụ thuộc vào lời nhắc, người bỏ phiếu, lấy mẫu, hành vi đánh giá và phiên bản mô hình, vì vậy nó không nên được coi là thước đo chung về chất lượng.

Lặn sâu

Absolute scores can be difficult to compare when raters or model judges use a numeric scale differently; some setups also show score compression. Pairwise evaluation reduces reliance on a shared numeric scale by asking which of two outputs for the same input is better, but it still has order, sampling, and preference biases. This is the same underlying approach used in platforms like Chatbot Arena, where users compare two anonymous model responses and vote for a preference, and those millions of individual votes feed into a rating system. Elo, originally developed for chess ratings, is one familiar aggregation method: ratings change based on the result relative to the expected win probability. Bradley-Terry is a related statistical model that estimates relative strengths from pairwise outcomes. Chatbot Arena initially used online Elo and later adopted Bradley-Terry for its rankings and uncertainty estimates; other projects choose a method to fit their assumptions. A common misconception is that Elo ratings from a small number of comparisons are precise; in practice, ratings have real uncertainty (often reported with confidence intervals) until enough comparisons accumulate, and comparisons should ideally be randomized in order and anonymized to avoid position or branding bias. Pairings also matter: models that rarely face the same opponents are harder to compare reliably, and new or changing model versions weaken the assumption that ratings describe static competitors.

Triển khai trong thế giới thực

Một nhóm đang thử nghiệm hai phiên bản của lời nhắc tóm tắt hiển thị cho người đánh giá cả hai bản tóm tắt cạnh nhau cho cùng một bài viết mà không gắn nhãn "mới" và ghi lại bản tóm tắt mà mỗi người đánh giá ưa thích.

Một kỹ sư xây dựng bảng xếp hạng nội bộ cho các biến thể nhắc nhở sẽ cung cấp mọi kết quả ưu tiên theo cặp vào công thức cập nhật Elo, tạo ra một danh sách xếp hạng duy nhất gồm các phiên bản nhắc nhở sau vài trăm so sánh.

Một công ty đang đánh giá ba mô hình ứng cử viên cho một chatbot sẽ tiến hành so sánh theo cặp vòng tròn giữa cả ba mô hình, sau đó điều chỉnh mô hình Bradley-Terry cho phù hợp với kết quả để có xác suất rằng mỗi mô hình được ưu tiên hơn các mô hình khác.

Một kỹ sư nhắc nhở nhận thấy rằng điểm tuyệt đối từ 1 đến 5 từ cụm đánh giá LLM gần như hoàn toàn là 4, vì vậy họ chuyển sang so sánh theo cặp giữa các phiên bản nhắc nhở và ngay lập tức có được sự phân biệt ưu tiên rõ ràng hơn nhiều.

Tương lai của việc đánh giá theo cặp và Elo

Bảng xếp hạng công khai ngày càng kết hợp các đánh giá theo cặp với các công cụ ước tính thống kê chính thức hơn, nhưng các phương pháp và tập hợp dữ liệu lại khác nhau. Việc chuyển từ Elo sang Bradley-Terry không loại bỏ xu hướng lấy mẫu hoặc ưu tiên; nó thay đổi cách mô hình hóa kết quả và báo cáo sự không chắc chắn. Đối với các quyết định về sản phẩm, hãy bổ sung thứ hạng tương đối bằng các bài kiểm tra theo nhiệm vụ cụ thể, kiểm tra độ an toàn và đánh giá từ nhóm người dùng dự kiến. Các báo cáo trong tương lai nên tiết lộ thông tin kịp thời, lấy mẫu cử tri, phiên bản mô hình, khoảng thời gian và mức độ không chắc chắn để người đọc có thể giải thích những gì xếp hạng đo lường được và không đo lường được.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Làm bài kiểm tra Đánh giá theo cặp và Elo

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Đánh giá theo cặp và Elo là gì?

Đánh giá theo cặp yêu cầu giám khảo so sánh hai câu trả lời cho cùng một lời nhắc; các phương pháp tổng hợp như Elo hay Bradley-Terry tóm tắt nhiều so sánh thành thứ hạng tương đối. Kết quả phụ thuộc vào lời nhắc, người bỏ phiếu, lấy mẫu, hành vi đánh giá và phiên bản mô hình, vì vậy nó không nên được coi là thước đo chung về chất lượng.

Hạn chế nào có thể giảm bớt khi đánh giá theo cặp so với điểm tuyệt đối từ 1 đến 5?

Việc so sánh hai kết quả đầu ra có thể tránh được một số biến thể trong việc sử dụng thang đo, nhưng nó không loại bỏ được hiệu ứng thứ tự, sự mơ hồ hoặc sai lệch lấy mẫu.

Nền tảng thế giới thực nào được trích dẫn là sử dụng so sánh cặp đôi trên quy mô lớn để đánh giá mô hình?

Chatbot Arena cho phép người dùng bỏ phiếu giữa hai phản hồi mô hình ẩn danh, cung cấp hệ thống xếp hạng quy mô lớn.

Hệ thống xếp hạng Elo được sử dụng để so sánh LLM ban đầu đến từ đâu?

Elo ban đầu được phát triển để xếp hạng người chơi cờ và sau đó được điều chỉnh để so sánh kết quả đầu ra của mô hình.

Mô hình Bradley-Terry ước tính điều gì từ kết quả theo cặp?

Bradley-Terry mô hình hóa xác suất giành chiến thắng tương đối từ kết quả theo cặp và ước tính sức mạnh tiềm ẩn; việc xếp hạng vẫn phụ thuộc vào mẫu.

Tại sao việc ngẫu nhiên hóa thứ tự đầu ra lại quan trọng khi sử dụng LLM làm người đánh giá để so sánh theo cặp?

Thứ tự ngẫu nhiên giúp ngăn chặn sự thiên vị có hệ thống đối với vị trí thứ nhất hoặc thứ hai do làm sai lệch kết quả.