GPT-4 Turbo: бенчмарки и рейтинг

Как считается рейтинг

1. Сбор — Официальные данные с 11 лидербордов ниже загружаются каждый час. Оценки, отмеченные как приблизительные, не используются.
2. Сопоставление — Разные написания одной модели объединяются. Для вариантов, например уровней рассуждения, берётся лучший результат на каждом сайте.
3. Стандартизация — Основная метрика каждого сайта стандартизируется внутри сайта, поэтому сохраняются разрывы в баллах, а не только места.
4. Выравнивание — Факторная модель, связывающая сайты через модели, представленные на нескольких из них, учитывает сложность и состав моделей каждого сайта. Более «шумные» сайты получают меньший вес.
5. Без штрафа за пропуски — Модель оценивается только по сайтам, которые её оценили. Неопределённость показана 90% интервалом. В рейтинг попадают модели, оценённые на 2 сайтах и более.
6. Arena — Arena (бывшая LMArena) используется только в рейтингах по областям, но не в общей оценке. Новые модели добавляются автоматически.