一句话看懂：一篇新挂上 arXiv 的论文指出，Arena 式匿名两两对比、再用 Bradley-Terry 模型聚合投票的排行榜，可能被策略性投票、策略性提示和策略性提名三种手段操纵；论文摘要称，在公开榜单数据上单种攻击可抬升约 15-20 名，组合使用最高约 45 名。
事件核心：发生了什么
2026 年 11 月 13 日提交到 arXiv cs.AI 的论文（编号 2611.14769）研究了在线大模型排行榜的脆弱性。这类榜单通常让用户对匿名模型回答同一提示的表现进行两两投票，再按 Bradley-Terry 模型汇总成排名，被广泛用于产品页、研究论文和生产环境的模型评估。作者在摘要中称，他们发现三类操纵方式：一是策略性投票，包括对无关模型投票以间接抬高目标模型；二是策略性提示，选择对某模型更有利的问题；三是策略性提名，通过塞入无关模型来改变排名。作者表示已在公开榜单数据上演示这些效果，并逐项分析了成因与防护思路。目前公开信息仅来自摘要，尚未核验全文实验细节，论文也未见同行评审结论。
为什么重要
排行榜是很多团队选型大模型、开源模型与闭源模型时的重要参考，也被厂商用于对外展示能力。如果排名本身可以通过投票和提交策略被抬高，榜单作为“第三方信号”的可信度就会被削弱。论文强调，这类风险不限于某一个榜单，而是适用于任何允许开放提示、开放投票或开放模型提交、并用 Bradley-Terry 模型做偏好聚合的评测体系。对正在比较 API 供应商、开源权重和推理成本的开发者来说，这意味着单一榜单名次不宜直接当作能力结论。
对用户/开发者/创作者的影响
普通用户看到的排名可能被少数有动机的投票或提交行为影响，短期内不必据此全盘否定榜单，但应交叉参考固定测试集、任务级评测和自己场景下的试用结果。开发者做模型选型时，建议把榜单名次当作线索而非结论，优先在自己关心的任务上做 A/B 测试；如果自建 Arena 式评测，需要在投票去重、提示审核、模型提交审核和统计模型稳健性上做额外设计。企业采购和内容创作者同样应关注评测口径是否公开、是否允许任意投票与提交。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文提出的防护手段是否会被主流排行榜采纳，例如限制无关模型提交、过滤异常投票或改用更稳健的聚合方法；二是公开榜单是否会披露操纵检测和清洗规则；三是后续是否有独立复现，验证 15-20 名和 45 名的抬升幅度在不同任务与数据条件下是否成立。目前公开信息显示，这些结论仍以论文摘要为准，尚待全文和社区复核。
来源：arXiv cs.AI
