研究指 Chatbot Arena 违反 Luce 选择公理
原文标题：Similar Models, Broken Odds: Where Luce's Axiom Fails in Chatbot Arena
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文分析 180 万条 Chatbot Arena 投票，发现同一模型不同版本之间的对决比 Bradley-Terry 模型预测更具决定性（1.37 倍），同代不同规模为 1.26 倍，同实验室不同模型为 1.12 倍，表明 Luce 选择公理在近亲模型上失效。作者提出四到六参数的修正模型，在留出投票上预测更准，但排行榜顺序几乎不变。
- 问题
- Chatbot Arena 用 Bradley-Terry 排名，假设 Luce 公理成立。
- 方法
- 分析 180 万投票发现近亲模型对决更决定性，提出四到六参数修正模型。
- 结果
- 同模型不同版本对决决定性为预测的 1.37 倍，修正模型留出投票预测更准但排行榜几乎不变。
- 影响
- 用 Arena 排名选模型时需警惕近亲模型间的票数偏差，榜单顺序本身仍大致可信。
深读 · 结论先行AI 生成展开看要点与影响 ↓
180万条Arena投票显示同模型不同版本对决比Bradley-Terry预测更具决定性1.37倍,Luce公理在近亲模型上失效。
- •同模型不同版本对决决定性为Bradley-Terry预测的1.37倍,同代不同规模1.26倍,同实验室不同模型1.12倍
- •效应在替代平局处理、提示子集、主题与时间检验下均稳健,并随两模型答案措辞格式相似度变化
- •四到六参数修正模型在留出投票上预测优于Bradley-Terry及数百参数模型,增益主要集中在平局建模
- •修正后排行榜顺序几乎不变
- •LLM评委三答案菜单下,近亲模型主要从孪生模型处夺票(log-odds偏移+0.10,95%区间0.05-0.16)
为什么重要：Arena排名被广泛用作模型能力参照,该分析说明其底层假设在相似模型间不成立,但同时也表明排名结论本身受影响有限。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。