1.缘起目前评测大语言模型主要有两种方法，•通过人类投票来进行评估，比如，ChatbotArena，但是这种往往需要花费较长的时间，•为了降低人类标注的依赖，还有另外一种自动化的LLM基准测试，这种方法成本低、容易扩展，自动化基准测试也成为了众多模型的热门选择，而且测试中的高胜率往往能带来显著的宣传...