Ranking według głosów ludzi

Oceny z anonimowych pojedynków: użytkownicy porównują dwie odpowiedzi na swój prompt, nie wiedząc, które modele je wygenerowały.

Ranking Bradley–Terry w skali Elo z medianą na poziomie 1000 punktów; różnica 400 punktów oznacza szanse 10:1. Przedział ufności 95% wyznaczono na podstawie 100 prób bootstrapowych. Jak głosy przekładają się na ranking →