跳到主要内容Skip to main content

Models · Evals

MT-Bench

多轮对话质量

测什么多轮对话质量
任务与数据80 个多轮问题,覆盖写作、角色扮演、推理等
指标模型评委打分(1–10)
污染风险题目公开;评委模型可能偏好长回答或特定风格。
复现固定评委模型、评分模板与温度;记录单评委还是多评委。
成本低;主要花评委调用
快照日2026-11-19
核验日2026-11-19

怎么读

适合看对话体验,不适合当客观真值;评委偏差要单独报告。

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://arxiv.org/abs/2306.05685 · 快照 2026-11-19