在lmsys上比较LLMs很有趣，但Elo积分上的10分“领先”意味着一个模型有51.4%的胜率，而100分则意味着有64%的胜率（每分<100的差距为0.14%）。所以要么这不是一个好的衡量标准，要么这些模型之间差异不大。个人认为，我们需要更好的评估方法！