詳細解釋
源自國際象棋排名的評分系統，現廣泛用於 AI 模型評估（如 Chatbot Arena）、遊戲配對和體育競賽。
核心機制：
- 初始分數：通常 1200
- 對戰更新：贏方得分，輸方失分，和局雙方微調
- 分差影響：高分贏低分得分少，低分贏高分得分多
- 動態調整：反映當前實力，隨時間變化
在 AI 評估中的應用（LMSYS Chatbot Arena）：
- 兩個匿名模型回答同一問題
- 用戶選擇更好的回答
- Elo 分數隨對比結果動態更新
- 最終排名反映相對能力
優勢：
- 相對評估：無需絕對標準，適合開放式生成任務
- 動態更新：新模型加入無需重測所有舊模型
- 置信度：分差越大，實力差距越確定
局限：
- 僅相對排名：不知絕對能力（Elo 2000 vs 1800 差距多大？）
- 對手質量：分數依賴對手強度
- 初始波動：新模型前幾場比賽分數不穩定
計算公式：
R' = R + K × (S - E)
R'：新分數，R：舊分數，K：靈活度係數，S：實際結果（1 贏 0.5 和 0 輸），E：預期勝率（基於分差）
這是「人類偏好評估」的標準方法—— 當沒有客觀正確答案時，讓人類比較選擇。