字节扣子搭建大模型擂台：匿名 PK 与用户评价机制

不过有一说一，扣子能让自家'院子'里的大模型们玩这种模式，也是实属罕见。那么模型广场具体又该如何操作？是否能够 hold 住脑洞大开的问题？我们这就来实测一波。

匿名 PK，够直接，够刺激

我们现在打开扣子的官网（coze.cn），点击左侧的导航栏**'探索'列表中'模型广场'**，便可开始体验了。

整体来看，对战的模式一共分为三大类：

1. 随机 Bot 对战
2. 指定 Bot 对战
3. 纯模型对战

刚才我们所展示的 PK 案例，就是点击**'随机开始'按钮而来，也就是随机 Bot 对战**。具体而言，扣子会从已经上架的 Bot 中随机挑选一个，然后选择匿名的两个大模型进行 PK。这个模式考验的便是大模型们在任意业务场景下的文本生成、技能和知识调用等能力。

例如我们再来体验一番，这一次的场景就变成了数学老师，我们选择的问题：

某班 30 人中有 15 人参加数学建模竞赛，有 8 人参加数学竞赛，有 6 人参加英语竞赛，有 3 人三科竞赛都参加，请问三科竞赛都不参加的至少有多少人？

我们按照生成结果的简洁性，这次把票投给模型 B，可以看到这次参赛的'选手'分别是通义千问（A）和MiniMax（B）。

而指定 Bot 对战，则是需要我们先在模型广场下方的众多 Bot 中挑选一个要测试的场景，然后扣子再从系统中选择匿名的两个大模型来 PK。这个模式在业务场景方面就会更加聚焦和细分。

例如我们在茫茫 Bot 中，一眼就相中了**'弱智吧十年练习生'**：

这一次我们自己来提问：

被门夹过的核桃，还能补脑吗？

从答案中不难看出，两位'选手'都没有 get 到这句话里隐藏的'你脑袋被门夹了'的梗，因此——

两个都差。

最后一个模式便是纯模型对战——忽略编排等各种 Bot 配置的影响，直接评估大模型的文本生成能力。

我们依旧'弱智吧 Style'：

高考满分才 750，怎么才能考 985？

两个大模型都精准 get 到了 985 是什么意思，因此依旧是——

两个都好。

值得一提的是，无论在哪种模式之下，'选手'如果在回答问题过程中暴露了自己的身份，那么用户所投出的票将被视为无效。

以上便是扣子给国产大模型们打擂台匿名 PK 的三种模式了。而纵观扣子此次的新发布，除了大模型本身之外，另外一个关键要素便是 Bot。并且若是亲身体验一番下来，在扣子中创建 Bot 这件事，最为直接的感受就是够简单、够丰富。

小朋友都能搭建的 Bot

其实模型广场是一个名叫**'扣子 AI 工坊'**（Coze AI Factory）活动的内容之一，是由扣子和英特尔联合推出的主题 Bot 征集活动。聚焦的是图文创作、实用工具、互动创意三个赛道。

但如果来到扣子的**'Bot 商店'，就不难发现，这里的 Bot 们并非是一尘不变的那种；相反，倒是非常紧跟热点，非常 fashion。例如正值刚刚高考完，Bot 商店首页的'头条位置'留给的就是一个名叫'高考专业指南'**的 Bot，可以说是相当的应景。

除此之外，像**'国内高校百科'和'测测你的本命粽子'等 Bot，也是紧跟热点和节假日。而且 Bot 的数量之多，简直是刷不到底**：

但比起数量来说，更重要的还是在扣子中创建复杂的 Bot，仅需鼠标'点点点'，就连小朋友都能完成。

第一步：基础信息配置

第一大步，点击创建 Bot，简单填写基本信息：

这一步主要定义 Bot 的名称、描述以及头像，是用户识别 Bot 的第一印象来源。

第二步：核心模型选择

第二大步，选择自己想要用的大模型：

目前可选的大模型包括豆包、通义千问、智谱、MiniMax、月之暗面和百川。不同的模型在逻辑推理、创意写作或代码生成上各有优劣，开发者可根据应用场景灵活切换。

第三步：技能与插件集成

第三大步，给 Bot 添加**'技能点'**，同样是'点点点'的操作，就能在扣子已经拥有的海量插件、工作流等内容里 pick 自己想要的那一个。

这里可以接入搜索插件、知识库检索、API 调用等功能，极大地扩展了大模型的能力边界。例如，通过接入联网搜索插件，Bot 可以获取实时新闻；通过接入知识库，Bot 可以基于企业内部文档回答问题。

第四步：发布与调试

最后，一键'发布'，就可以上线想要拥有的 Bot。在发布前，建议先在预览窗口进行多轮对话测试，确保 Prompt 工程和插件配置无误。

操作之简单，也就不难理解为何扣子上 Bot 的数量会如此惊人了。

为什么人类反馈比静态评测更重要？

传统的 LLM 评测往往依赖静态数据集（如 MMLU、GSM8K 等），但这些数据集存在数据泄露和泛化性不足的问题。随着模型能力的提升，单纯依靠固定题库已难以区分模型的真实水平。

Chatbot Arena 及类似的模型广场引入了 Elo 评级系统，通过成对比较和人类投票，构建了一个动态的、反映真实用户偏好的排行榜。这种方式更接近于 RLHF（人类反馈强化学习）中的奖励信号来源，能够捕捉到模型在长文本连贯性、指令遵循度、安全性等方面的细微差异。

此外，这种模式还得到了 Jeff Dean 和李开复等行业领袖的高度认可。一言蔽之，字节要做的，就是把 AI 应用开发门槛打下去，把生态壮大起来，让 AI 应用能'多快好省'地用起来。

扣子在下一步什么棋？

我们再回到这次扣子新发布的模型广场，也正如我们在文章最开始提到的，这种把擂台玩法嵌入到自家大模型应用开发平台的，目前在业界算是少见。那么，字节为什么要这么做？

首先从效果层面来看，从刚才我们创建 Bot 的过程中不难发现，它所依赖的能力最根本的就是来自扣子生态中所集成的大模型们。而也正如业界已达成的共识那样——没有一个大模型能够'一统天下'，每个大模型都有自己的擅长之处。加之每个 Bot 也都是在细分场景里各有侧重，因此合适的 Bot 遇到合适大模型，势必将产生 1+1＞2 的效果。

其次从操作层面来看，模型广场的出现着实是为 Bot 开发者节省了挨个模型比对、试错的成本。这无疑是给本就操作简易的扣子在操作上锦上添花。

最后是在可信度层面上，扣子所 pick 的类似 Chatbot Arena 的擂台模式，已然成为业界对大模型性能认可度的标杆。毕竟除了前文提到的 Karpathy 之外，Jeff Dean 和李开复也对这种模式给予过高度的认可。

扣子地址：coze.cn