В России появилась первая платформа на русском языке для оценки качества больших языковых моделей на основе пользовательских задач. Платформу под названием LLM Arena создал разработчик Роман Куцев в коллаборации с экспертами по нейросетям TrainingData.ru. Платформа позволяет в режиме реального времени тестировать русскоязычные нейросети и оценивать качество их ответов в соответствии с запросом.
Для сравнения пользователю платформы предлагаются две случайные модели. Он может написать любой запрос, сравнить ответы моделей и выбрать лучшие. Если ответы нерелевантные или одинаковые, это также можно отметить. На основе полученных оценок формируется рейтинг генеративных нейросетей на русском языке.
Сейчас пользователям платформы доступны для тестирования 21 ИИ-модели, среди которых как зарубежные (ChatGPT, LLaMa), так и российские (YandexGPT, GigaChat, Saiga). Список доступных нейросетей регулярно пополняется: новые модели смогут добавить и их разработчики.
«Наша цель — создать объективный, открытый и актуальный рейтинг языковых моделей на русском языке. Даже несмотря на то, что в мире появляется всё больше бенчмарков, позволяющих сравнивать модели, протестировать российские LLM на родном языке на реальных пользовательских задачах очень сложно. Та же LMSYS Chatbot Arena не предоставляет доступ ни к одной российской нейросети. Поэтому нам и пришла в голову идея создать собственную платформу, чтобы пользователи могли сами сравнивать российские и иностранные генеративные нейросети и делать собственные выводы», — рассказал Роман Куцев.
Разработчики планируют в ближайшее время добавить на платформу новые возможности, которые позволят оценивать качество ответов по разным категориям запросов, например, написание кода, решение сложных вопросов или поддержка длинного контекста беседы. В перспективе можно будет сравнивать ответы нейросетей по мультимодальным задачам. Например, оценить, насколько хорошо модель понимает, что на картинке, или справляется с генерацией видео по тексту.
Отечественный бенчмарк качества генеративных нейросетей создан по открытой лицензии и работает по принципу рейтинга LMSYS Chatbot Arena.