研究发现同一批 AI 模型每月评分持续走低

一项基于 Chatbot Arena 126 万次盲测投票的研究发现，对于完全相同的冻结模型对，用户给出“两个都差”评价的比例每月上升 1.71 个百分点，基线为 17.1%。但 2024 年较强模型在决定性投票中的胜率基本不变，说明模型排名保持稳定，变化的是用户评判尺度而非模型能力。