竞技场式评测：人类偏好投票的新玩法

竞技场的机制

两个匿名模型回答同一问题，用户投票选更好的回答。海量真实投票形成 ELO 排名。无法刷分（题目来自用户）、无法过拟合（题目持续更新）。

排名的局限

偏好投票反映的是人类的主观偏好：长回答占优、自信语气占优。能力排名与风格排名的混淆是方法论争议。

对开发者的价值

竞技场排名是了解模型能力的快速参考，但选型决策仍需自己的评测。两者的关系是初筛与终审。