相似模型与失准的胜率：Luce 公理在 Chatbot Arena 何处失效

180 万条 Chatbot Arena 投票显示，同一模型不同版本间的投票区分度是 Bradley-Terry 预测的 1.37 倍，表明 Luce 选择公理在相似模型对比中失效。同一代不同规模模型间为 1.26 倍、同一实验室模型间为 1.12 倍。一个仅含四到六个参数的修正模型在预留投票上优于 Bradley-Terry 和数百参数模型，提升主要来自平局建模，排行榜顺序几乎不变。