Elo 竞技场天梯评分体系

Elo 天梯竞技评分体系 (Elo Rating System，由 LMSYS Chatbot Arena 广泛推广至大模型评测领域) 是一种通过汇聚海量匿名成对 A/B 盲测投票（Pairwise Battles）动态计算各基础大模型综合能力得分的排位算法；当模型 A 与模型 B 对决时，系统首先根据当前积分 $R_A, R_B$ 计算模型 A 的期望胜率 $E_A = \frac{1}{1 + 10^{(R_B - R_A)/400}}$；对决产生真实结果 $S_A$（胜为 1，平为 0.5，负为 0）后，模型积分根据实际与期望的差距动态更新 $R_A^{\prime} = R_A + K \cdot (S_A - E_A)$（$K$ 为更新步长常数）。

国际公认的大模型综合能力天梯榜单 (LMSYS Chatbot Arena Leaderboard)、模型微调各 Checkpoint 的相对战斗力追踪。

静态固定单项选择题 Benchmark 极易发生“测试集污染 (Data Contamination) 与刷榜过拟合”；基于真实人类/裁判盲测的 Elo 体系依托开放动态的提问对抗，成为目前衡量前沿通用大模型最权威真实的动态风向标。

推导 Elo 积分期望胜率公式与更新公式，并分析当弱模型爆冷战胜极强模型时的积分跃迁幅度？

Bradley-Terry 最大似然估计 (MLE) 与在线 Elo 算法在全量历史对战数据下收敛到全局稳定积分的差异？

引导式自助抽样法 (Bootstrapping with 1000 resamples) 如何为每个模型的 Elo 积分计算 95% 置信区间 (95% CI)？

针对特定垂直领域（如 Coding Arena, Hard Prompts, Multi-turn Arena），如何构建分领域垂直 Elo 天梯榜单？

如何利用 Glicko-2 算法引入评分波动度 (Rating Deviation, RD) 与评分波动率以解决新接入冷启动模型的积分震荡？