什么是 Elo 等级分？对战的排位

国际象棋界排位用 Elo 等级分算了很多年，如今这套算分方法被搬进了 AI 排行榜：大模型两两对战，赢家涨分、输家掉分，场次越多排位越准。你看讯飞星火、海螺AI 相关的对战榜时，背后的名次大多就是这么折算出来的。

从棋盘搬进 AI 排行榜

Elo 的原始想法很朴素：每场比赛的结果只改两个数字——赢家加多少、输家减多少，加减多少取决于赛前双方的分差。打个比方，它像游戏里的排位赛：赢下高分选手涨得多，赢下低分选手涨得少。类比大体成立，失效处在于棋手状态起伏有限，而模型对题目的适应能力差异很大，同一对选手在不同题域交手，强弱关系可能翻转，这是简单 Elo 覆盖不到的。

一场对局之后分数怎么动

直觉版规则：赛前分差越大，冷门获胜的得分越多，热门获胜的得分越少；平局则两边小幅调整。这意味着 Elo 不只看你赢没赢，还看你赢的是谁。连胜高分选手，名次爬得飞快；只在低分选手身上赢，涨分有限。正因如此，Elo 对「以弱胜强」格外敏感，也格外有信息量。

为什么场次多了排名才稳

刚开榜时分数波动很大，几十场之后才逐渐收敛，所以榜单早期名次要少看。对战样本的来源也关键：如果题目偏科或对战双方出场不均衡，分数会有系统性偏差。规范的榜单会公布对战量和置信区间，胜负统计的读法见什么是胜率？两两对比的战绩，看完就会判断。实战里常见新模型上榜当天冲高、几天后回落，就是小样本波动的典型样子。对战量的另一面是新鲜度：老分数与新分数混在一起，也会把名次搅浑，滚动窗口的榜单就是这么来的。还有一种读法是看趋势线，分数一路走高说明近期状态好，一次大跳水则值得查查那几天对战了什么题。棋界百年验证的算分逻辑，换到模型身上依然成立，只是考题换成了千奇百怪的日常任务。排位不是拍脑袋定的，每一分背后都是一场场实打实的对战，分数涨跌背后有一套自洽的账本。强手赢弱手是预期之内，涨不了几分；爆冷赢下强手，分数会明显上跳，所以冷门对局最受关注。想追势头正猛的新模型，看它的分数斜率比看当前名次更灵。

Elo 数字怎么读

两条实用读法：第一，看差距不看名次，分差几十分内的高低别太当真，几百上千的差距才比较有说服力；第二，看对战场次和题目分布，场次太少或题目单一，数字都不可靠。对战的评审如果是模型来当，误差还会叠加，机制见什么是 AI 裁判？用模型评模型，裁判自身的偏向问题见什么是裁判偏好？裁判自己的毛病。而让真人参与对战的整套流程，在什么是人机对比评测？人和机器一起评里有细讲。

Elo 速查表

• 是什么：把对战胜负折算成排位分的算法。
• 怎么动：胜负加减分，幅度随赛前分差变化。
• 怎么读：看分差、看场次、看题目分布。

三条都核对过，再相信名次。

把 Elo 想成排位赛积分就好办了：场次要够多、对手要够杂，数字才有含金量。只有十几场对局的排行榜，看看就好，别急着改用谁。

关于 Elo 等级分再多问三句

• Elo 会掉分吗？：会，输给低分选手掉得比输给高分选手更多，冷门失利代价最大。
• 不同榜单的 Elo 能直接比吗？：不能，各自题库、对手池和起算点不同，只看同一榜单内的相对差距。
• 盲测和 Elo 什么关系？：盲测管题目保密，Elo 管算分，两者常一起用，保密机制见什么是盲测集？不公开的题目，一个例子讲透。