Clasificación por votos humanos

Puntuaciones obtenidas en batallas anónimas: las personas comparan dos respuestas a su propio prompt sin saber qué modelos las escribieron.

Puntuación Bradley–Terry en escala Elo con el modelo mediano en 1000; una diferencia de 400 puntos representa una probabilidad de 10:1. El intervalo es del 95%, calculado con 100 remuestreos por bootstrap. Cómo los votos se convierten en puntuaciones →