为什么重要
AlpacaEval 2.0 的核心创新是 Length-Controlled Win Rate——消除长回复偏见后与 Chatbot Arena 相关性达 0.98。
构建方式与示例
805 个指令，GPT-4 Turbo 自动评分。比较模型回复与基线模型，计算 LC Win Rate。
关键发现
LC 版本解决了”长回复=好回复”的 LLM Judge 偏见，排名更可信。
关联基准与展望
关联：Arena-Hard、Chatbot Arena。不足：仍依赖 LLM Judge，对非英语表现不佳。