学英语外教软件 现在起，真正的强者敢于直面「扣子」的「模型广场」

实时PK、“蒙面”对抗、大众点评、定期排行榜……就问你敢不敢揭晓榜单？

字节跳动版GPT“按钮”上线后，五年级的小学生可以创建自己的英语外教。

“按钮”有一个相当大的优势，就是支持国内知名的大型语言模型作为基础，而且免费，因此诞生了不少“AI机器人”。

不过无限续费也有烦恼，那么多“学霸”，选谁最合适？看跑分？看不太懂，模糊不清。要不然，现场来个“满麦”PK如何？

“按钮”已做好准备。一项非常令人兴奋的新功能“模型广场”已上线。

1.“模型广场”：回顾并体验盲盒乐趣

“钮扣”支持多个知名国内主流大语言模型作为Base，除了自家的豆包、统一千文、MiniMax、Moonshot外，最新榜单又新增了两位新将：智普GLM-4和百川智能百川4。

该列表不断更新。截图拍摄于6月13日。

模型参数和架构各有千秋，各有特点，各有擅长领域，各有生成风格。当一个小孩用“按钮”制作手写报纸机器人时，他提出了一个让成年人都困惑的问题：这些“人”中我该选谁？谁擅长制作手写报纸？

现在，有了官方的指导——在线大型语言模型比较评估系统“模型广场”，大家的“物尽其用”将变得容易得多。

你可以把“模型广场”想象成一个类似《歌手》的比赛舞台，大型语言模型“选手”们可以以不同的方式展开较量。每轮比赛结束后，观众（用户）都会对结果进行投票，看看谁的表现更出色。

为了避免先入为主的观念，“选手”将以匿名形式参赛，只有在用户投票后才会透露其真实身份。

《模型广场》支持三种战斗模式。

一是指定一个机器人进行对战。我们从机器人列表中选择了我们感兴趣的机器人“数学老师”。

“按钮”会根据“数学老师”现有的工作流程、知识库等能力，随机选取两个匿名模型，并回答我们选取的“包含与排除”问题（如下图）。

我们手动计算出了答案“7”。首先​​，计算至少参加过一门学科竞赛的学生人数（15+8+6-3*2）。然后，用全班学生总数（30-23）减去这个结果。

模型A很快就给出了答案，思路清晰、简单，答案正确。

模型B非常详细和复杂地描述了“思考”过程，但结果却是错误的。

评估结果有四种选项：

我们认为“A表现更好”，经过投票，答案揭晓。

第二个是随机Bot战斗。

如果指定型Bot Battle适合考核不同“玩家”在指定岗位（如数学教学）的业务能力，那么随机型Bot Battle则是现场抽题、即兴发挥，考核的是任意业务场景下的“玩家”能力，对综合能力的要求更高。

在随机机器人战斗模式中，“按钮”（不再是用户）将从可用的机器人中随机选择一个机器人进行战斗。我们被随机分配到“军事大模型评估”专家。

“按钮”将随机选择两个匿名模型，基于“军事大模型评估专家”机器人的编排、工作流、知识库等能力，回答我们的问题。

你如何看待《孙子兵法》的价值？模型A的回答有些片面。

相比之下，模型B的回应更加深入和全面。

这一票投给了B。答案已经揭晓了。

第三场是纯粹的模特之战。

前两种战斗模式均基于Bot学英语外教软件，“玩家”将使用工作流等Bot配置来完成任务。

纯模型战考验的是大模型的“裸”文本生成能力，Bot配置的影响一览无余。

当谈到“老问题”时，模型A就像一个粗心的孩子。

想法是对的，连公式都是对的，但是结果却是错的（29-6=24？），努力在最后一刻失败了：

模型B简单、巧妙地解决了这个问题。

等等，这个回答风格看着有点熟悉，好像在哪里见过？

投票给B，答案揭晓，看来白川4的数学确实更好：

其实用过Quora的AI聊天应用Poe的人对“纯模型对战”应该很熟悉，Poe可以接触到很多流行的大模型，而且可以直接比较不同大模型对同一任务的结果（不过没有投票功能）。

从这些答案来看，如果把 GPT-4o 放到“模型广场”比赛中，可能也不一定能稳操胜券。

2、大模式为什么需要“大众点评”？

纸面上指标很好的模型，在实战中不一定有好表现。

开发者与普通用户追求的都是应用落地，在“模型广场”中，可以直接对比“选手”在真实具体的业务场景中的表现，多维度评估选手的能力，选择最合适的选手。

当然还有个重点：不用自己掏钱！

比如经过几轮竞争学英语外教软件 现在起，真正的强者敢于直面「扣子」的「模型广场」，我们发现百川四号的数学能力非常突出，如果要做数学作业机器人，一定会优先考虑它；如果要做低年级的汉语学习机器人学英语外教软件，我们会考虑豆包。

同易千文-Max文字功底非常出色，能写出一篇文采飞扬的读书推荐，看来很适合做手写报纸设计机器人的底座。

如果你想找到一位“六边形战士”，最好三种战斗模式都玩一遍。你会觉得有些模式回答中肯，但简练；有些模式内容丰富详细，但略显啰嗦；有些模式擅长通过多轮对话了解用户意图，但知识覆盖面明显不足。多轮PK后，你总能找到最贴近你需求的那一款。

除了实际的“测试”，「模型广场」还定期发布大型语言模型排行榜，与一些常见的大型语言模型性能排行榜相比，有两个明显的不同。

一是动态更新，可以不断融入新的评估任务和真实的用户反馈，及时反映模型的性能和进展。

另一类是基于人的喜好，像“大众点评”的大型模型。

事实上，LMSYS Org 的 Chatbot Arena 早已率先成为被引用次数最多的大型语言模型之一，并被领先的大型模型开发商和公司广泛引用。

至于为什么要加入人类的偏好，“Buttons”也有自己的解释：

“对于符合人类偏好的对话模型，比如Chat-GPT，往往需要一些半开放或开放式的问题来合理评估模型的能力。传统的LLM基准框架在这种情况下可能略显不足。”

这是“按钮”推荐的一些比赛题目。

第一题是开放式问题，评价《今天是个晴朗的好天气》这篇作文，不同的评价者对同一篇文章可能有不同的看法和评分标准。

第五题是半开放式的，不同的评价者对于Tracy是否应该承担亲生父亲的医疗费用可能持有不同的道德观和价值观，这可能导致对答案的评价出现较大的差异。

传统方法无法准确判断答案的质量，一方面无法通过客观指标来衡量答案的质量，另一方面也没有固定的评估流程来判断不同机器人答案的质量。

此时，比较不同车型的反响是一种互补的方法，另一种方法是众包评估。在“Button”看来，客户可以自己判断哪种车型才是最合适的。

当然，“模型广场”在为“参赛选手”提供展示作品机会的同时，也会给大型模型厂商带来压力，尤其是当他们自己的“模型”表现不佳、排名较低时。

如果“模范广场”能够带来良性竞争学英语外教软件，对于行业的发展来说是一件好事。

来自真实消费场景的数据可以为大模型的优化提供参考，评级排名可以帮助制造商确定自己在行业中的地位以及与竞争对手的差距。

“模型广场”聚集了一大批对模型性能有强烈要求的开发者用户，对于模型性能优异、口碑良好的厂商来说，这意味着巨大的潜在客户群体。

通过“模型广场”，开发者可以充分“把脉”前沿大模型，快速开发迭代各类创新应用学英语外教软件，将AI生成能力嵌入到各行各业的场景应用中，繁荣AIGC生态。

3.“你真的可以用这个东西！”

在“模型广场”启动的同时，科泽还联合英特尔推出了名为“科泽AI工厂”的主题Bot征集活动。

大赛聚焦平面创作、实践工具、互动创意三个赛道，未成年人也可参与，奖金总额过万元。

“按钮”在平台的定位上，不难看出，为了最大化利用，他们把全部心思都放在了“你也可以DIY”上。

确实，在没有任何编程背景的情况下，我们曾经只用一分钟就做出了一个Bot，虽然只是一个“粗糙的版本”。

“装修”也不费力。因为，为了扩展开发者关心的Bot的各种技能、插件甚至工作流，都有商店。你只需要“选择”+“添加”。

除了技能插件外，还有知识库、数据库、长期记忆等，让“AI Bot”更加个性化、本地化。

为了提供更好的交互体验，“按钮”还支持开场白、快捷命令、背景图片、语音等配置。

当然，最特别的是，“按钮”可以将构建好的Bot直接发布到飞书、微信等平台，无缝嵌入到你的生产力工具中。

至此，“按钮”除了降低了开发难度和成本外，还降低了AI应用的运营难度和成本，并完成了闭环。

经历了过去一年的大语言模型热潮之后，国内玩家也意识到，一个产品只有有商业实现才有可能存活下去。

最近的新闻报道称，OpenAI 的年收入在过去六个月中增长了一倍以上，其大部分收入来自对 ChatGPT 等聊天机器人的订阅以及软件开发人员为访问模型 API 而支付的费用。

字节跳动也为AIGC产品规划了两条路径：一是赋能现有业务，二是在不同的赛道开发相应的AI原生产品。“按钮”则是对大模型C端应用的探索。

强大的技术实力、丰富的数据资源、广泛的应用场景，我们期待“Button”未来的发展。