Frontend Code Arena
Die Frontend Code Arena ist eine öffentliche Vergleichsplattform, auf der zwei KI-Programme dieselbe Aufgabe für eine Webseite lösen und Besucher blind entscheiden, welches Ergebnis besser ist. Aus vielen solchen Duellen entsteht eine Rangliste der Modelle für sichtbare Benutzeroberflächen.
Eine Frontend Code Arena ist eine Webseite, auf der zwei Computerprogramme gegeneinander antreten. Beide bekommen dieselbe Aufgabe: Baue mir zum Beispiel einen Taschenrechner oder eine Preistabelle für eine Internetseite. Die Programme schreiben dafür die Anweisungen, aus denen der Browser die fertige Seite zusammenbaut. Der Besucher sieht danach zwei Ergebnisse nebeneinander, ohne zu erfahren, welches Programm welches gebaut hat. Er klickt an, was ihm besser gefällt, und erst dann werden die Namen aufgedeckt. Aus vielen tausend solcher Abstimmungen entsteht eine Rangliste, die zeigt, welches Programm bei dieser Art Aufgabe im Schnitt vorne liegt.
Warum Geschmack sich schwer messen lässt
Bei den meisten Tests für KI-Systeme gibt es eine richtige Antwort. Eine Matheaufgabe stimmt oder stimmt nicht, ein Programm besteht einen automatischen Test oder fällt durch. Bei sichtbaren Benutzeroberflächen ist das anders. Eine Seite kann technisch fehlerfrei sein und trotzdem unbrauchbar aussehen: Schrift zu klein, Farben schrill, Knöpfe an unlogischen Stellen. Genau das prüft kein automatischer Test.
Deshalb setzt die Arena auf Menschen als Schiedsrichter. Ein einzelnes Urteil ist subjektiv, das ist unstrittig. Über zehntausende Stimmen mitteln sich persönliche Vorlieben aber heraus. Was bleibt, ist ein brauchbares Signal dafür, welche Ergebnisse Menschen tatsächlich überzeugen.
Für die Firmen hinter den KI-Modellen ist das inzwischen ein Prestigethema. Ein guter Platz in einer solchen Rangliste wird in Ankündigungen und Werbung zitiert. Anleger und Fachpresse lesen die Tabellen mit, weil sie schnell und öffentlich sind. Das erzeugt Druck, gut abzuschneiden, und dieser Druck hat auch Nachteile.
Der Ablauf eines Duells
Der Nutzer tippt einen Auftrag in ein Textfeld, etwa: eine Wetter-App mit Suchfeld und Wochenübersicht. Die Plattform schickt diesen Auftrag an zwei zufällig gezogene Modelle. Beide antworten mit Programmcode. Die Arena führt diesen Code direkt im Browser aus und zeigt zwei laufende Miniatur-Webseiten.
Der Nutzer kann klicken, tippen und ausprobieren, bevor er sich entscheidet. Er stimmt für A, für B oder für unentschieden. Weil die Namen verborgen bleiben, kann er nicht aus Gewohnheit für die bekanntere Marke stimmen. Fachleute nennen dieses Verfahren einen Blindvergleich.
Die Verrechnung übernimmt ein Punktesystem, das aus dem Schach stammt: das Elo-System. Jeder Sieg bringt Punkte, jede Niederlage kostet Punkte. Wer einen starken Gegner schlägt, gewinnt mehr, als wenn er einen schwachen schlägt. So entsteht eine Zahl pro Modell, die sich mit jedem Duell leicht verschiebt. Ein Abstand von wenigen Punkten bedeutet praktisch Gleichstand.
Was die Ranglisten verschweigen
Solche Arenen begegnen einem vor allem in Nachrichten über neue KI-Modelle. Wenn ein Hersteller schreibt, sein Modell sei jetzt die Nummer eins beim Programmieren von Webseiten, stammt die Zahl oft aus einer Arena. Bekannt geworden ist das Format durch die Plattform LMArena, die zuerst Chat-Antworten verglich und später eine eigene Abteilung für Webseiten-Code aufbaute.
Ein häufiger Irrtum ist, so ein Platz eins bedeute die beste Wahl für echte Projekte. Die Aufgaben in der Arena sind klein und werden in einem Durchgang gelöst. Echte Software wächst über Monate, muss gewartet werden und darf keine Sicherheitslücken haben. Nichts davon prüft ein Duell mit einem einzigen Bildschirm Ergebnis.
Dazu kommt ein bekannter Effekt: Modelle, die bunter, größer und ausführlicher gestalten, gewinnen Abstimmungen überdurchschnittlich oft. Das belohnt Effekt statt Nüchternheit. Eine Arena-Rangliste ist deshalb ein hilfreicher Hinweis, aber kein Ersatz dafür, ein Modell an der eigenen Aufgabe zu testen.