LMArena (Chatbot Arena)
Бенчмарк
Возможности
Millions of blind human votes — preference as a leaderboard.
Перед вами запись о бенчмарке — тесте, который индустрия использует для оценки чипов или моделей, — и о том, что он реально показывает.
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).
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Бенчмарки
Источники
Запись актуальна на 2026-01-15 — смотреть Методология.