Ranking Large Language Models with Human Preferences: A Game-Theoretic and Bayesian Comparative Study
Notice bibliographique
Résumé
The rapid growth of large language models (LLMs) has created a demand for reliable, interpretable, and scalable ranking systems capable of comparing models based on human preferences. Traditional benchmarks often fail to capture qualitative nuances in open-domain dialog, where subjective judgments play a central role. In this work, we conduct a comparative study of six prominent ranking algorithms Elo, Glicko, TrueSkill, Bradley-Terry, Markov Chain-based ranking, and a novel HawasRank algorithm applied to the Chatbot Arena dataset containing 244,978 pairwise human preference comparisons. HawasRank is a divergence-based, game-theoretic ranking method inspired by Bregman optimization frameworks, designed to improve convergence speed, transitivity preservation, and computational efficiency in human-in-the-loop LLM evaluations. In this study, we carefully compare these algorithms based on several important criteria, such as predictive accuracy, the occurrence of transitivity violations, sensitivity to hyperparameters, convergence behavior, and CPU resource consumption. The findings of our analysis reveal the trade-offs that exist between different ranking approaches and offer practical guidance for choosing appropriate algorithms, especially in large-scale and evolving LLM evaluation environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».