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