LMArena

instruction-following · human-preference↗ Quelle

63Evidence

not yet measured

What it measures

Blindvergleich durch Menschen ueber sehr viele Anfragen, ausgewertet als Elo. Die groesste Stichprobe echter Nutzerpraeferenz, die es gibt.

What it does not measure

Richtigkeit, Fachtiefe, Verhalten in Agentenketten. Gemessen wird, was Menschen in einem kurzen Vergleich besser gefaellt.

Anfaellig fuer Stilpraeferenzen: Formatierung, Laenge und Freundlichkeit wirken stark. Modelle lassen sich gezielt darauf abstimmen, ohne faehiger zu werden.

How the score is composed

Currency50

Discrimination50

Headroom50

Contamination safety100

Gaming resistance100

Methodological rigor80

Reproducibility20

Details

Benchmaxxing risk: low
Difficulty: medium
Public test set: no
Human-verified: yes
LLM-judged: no
Skala: 800–1600 Elo (höher besser)

Hand-maintained — no automatic adapter yet.

Best measured models

No results ingested yet.