Models · Evals
Arena-Hard
高难度指令的胜率
| 测什么 | 高难度指令的胜率 |
|---|---|
| 任务与数据 | 500 条高难度 prompt,与基线模型对比 |
| 指标 | 胜率 |
| 污染风险 | 题目公开;评委模型与基线选择会影响结果。 |
| 复现 | 固定评委、基线、prompt 与温度;记录是否用长度控制。 |
| 成本 | 中;评委调用较多 |
| 快照日 | 2026-11-19 |
| 核验日 | 2026-11-19 |
怎么读
比 AlpacaEval 更难,但仍属于模型评委口径,不是人类真值。
下一步
- 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
- 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
- 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://github.com/lm-sys/arena-hard-auto · 快照 2026-11-19