LMArena (Chatbot Arena)
Benchmark
Kemampuan
Millions of blind human votes — preference as a leaderboard.
Anda sedang melihat entri benchmark: sebuah uji yang digunakan industri untuk mengukur chip atau model — dan apa yang sebenarnya ditunjukkannya.
LMArena shows users two anonymous answers and asks which is better, aggregating millions of votes into Elo ratings. It measures what benchmarks cannot — perceived quality — and its weaknesses are equally human: style bias, and vendors tuning for votes (the Llama 4 episode made this a governance story).
Bagaimana ini terhubung ke bagian lain dari stack
Tautan catatan ini sekilas — klik grup untuk langsung menuju ke sana.
Benchmark
Sumber
Rekaman ditinjau per 2026-01-15 — lihat Metodologi.