Kritik an Crowdsourcing-Benchmarks in der KI-Forschung

MÜNCHEN (IT BOLTWISE) – In der Welt der Künstlichen Intelligenz (KI) sind Benchmarks ein entscheidendes Instrument zur Bewertung der Leistungsfähigkeit neuer Modelle. Doch die zunehmende Abhängigkeit von crowdsourced Plattformen wie Chatbot Arena stößt bei einigen Experten auf Kritik.

Die großen KI-Labore, darunter OpenAI, Google und Meta, setzen verstärkt auf Plattformen, die Freiwillige einbeziehen, um die Fähigkeiten neuer Modelle zu bewerten. Diese Benchmarks werden oft als Beweis für bedeutende Fortschritte präsentiert. Doch Experten wie Emily Bender, Linguistikprofessorin an der University of Washington, sehen in diesem Ansatz erhebliche Mängel. Sie kritisiert insbesondere die Plattform Chatbot Arena, die Freiwillige dazu auffordert, zwischen den Antworten zweier anonymer Modelle zu wählen.

Bender betont, dass ein Benchmark spezifische Messgrößen aufweisen muss, um valide zu sein. Es müsse nachgewiesen werden, dass die gemessenen Präferenzen tatsächlich mit den definierten Kriterien korrelieren. Chatbot Arena habe jedoch nicht gezeigt, dass die Auswahl einer Antwort über eine andere tatsächlich mit den Präferenzen der Nutzer übereinstimmt.

Asmelash Teka Hadgu, Mitbegründer des KI-Unternehmens Lesan, sieht in Benchmarks wie Chatbot Arena ein Mittel, das von KI-Laboren genutzt wird, um übertriebene Behauptungen zu fördern. Er verweist auf einen Vorfall mit Metas Llama 4 Maverick Modell, das gezielt für gute Ergebnisse auf der Plattform optimiert wurde, während eine schlechtere Version veröffentlicht wurde.

Hadgu schlägt vor, dass Benchmarks dynamisch und auf spezifische Anwendungsfälle zugeschnitten sein sollten, um eine realistische Bewertung zu ermöglichen. Auch Kristine Gloria, ehemals Leiterin der Emergent and Intelligent Technologies Initiative des Aspen Institute, fordert, dass Evaluatoren für ihre Arbeit entlohnt werden sollten, um aus den Fehlern der Datenlabeling-Industrie zu lernen.

Matt Frederikson, CEO von Gray Swan AI, das crowdsourced Red-Teaming-Kampagnen für Modelle durchführt, erkennt den Wert von öffentlichen Benchmarks an, betont jedoch, dass sie keine bezahlten privaten Bewertungen ersetzen können. Entwickler sollten sich auch auf interne Benchmarks und spezialisierte Red-Teams verlassen, um umfassendere Bewertungen zu erhalten.

Alex Atallah, CEO des Modellmarktplatzes OpenRouter, und Wei-Lin Chiang, Mitbegründer von LMArena, das Chatbot Arena betreibt, stimmen zu, dass offene Tests allein nicht ausreichen. Chiang betont, dass die Plattform darauf abzielt, eine vertrauenswürdige, offene Umgebung zu schaffen, die die Präferenzen der Community widerspiegelt.

Chiang erklärt, dass Vorfälle wie die Maverick-Benchmark-Diskrepanz nicht auf ein Designproblem von Chatbot Arena zurückzuführen sind, sondern auf ein Missverständnis der Richtlinien durch die Labore. LMArena hat Maßnahmen ergriffen, um zukünftige Diskrepanzen zu vermeiden und die Verpflichtung zu fairen, reproduzierbaren Bewertungen zu stärken.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!