Judge Arena：评估LLM作为评判者的新基准

Hugging Face 发布 Judge Arena，一个用于评估大型语言模型（LLM）作为评判者能力的基准平台。该平台通过让不同LLM对模型输出进行成对比较，并利用人类偏好投票来排名，从而衡量LLM的评判质量。Judge Arena 旨在解决LLM作为评估器时的可靠性和一致性问题，为AI社区提供更客观的模型评估工具。目前已有多个主流模型参与排名，包括GPT-4、Claude等。