Arena 排行榜加入事实性
arena · x · 2026-07-16
Arena 将主文本排行榜改为结合人类偏好与事实性（factuality）的加权结果，并且事实性现在已在 Text Arena 和 Search Arena 中作为非默认开关上线。
他们的做法是随机抽样对战、抽取可由网页验证的主张，再逐条核实并比较模型回答的平均正确率。为支撑这一排名，团队已标注超过 200 万条 LLM 在真实对话中提出的主张，其中 130 万+ 来自 Text Arena，70 万+ 来自 Search Arena。
在开启事实性后，作者给出的观察是：
- OpenAI 的模型整体最稳，几乎没有模型因事实性而下降；
- Anthropic 和 Google 的结果较为混合；
- Meta 的 Muse Spark 和 Dola Seed 下滑明显，不过 Muse Spark 1.1 仍比 1.0 以及 Llama 系列有明显进步。
所属事件:Arena 将事实性纳入模型排行榜(12 条相关)→
「模型」频道最新
- GPT 6.1 Terra 对比 Sonnet 5.5：速度性价比与智能能力之争 — teortaxesTex · 2026-10-27
- Harmonic 预告:已教会 AI 证明数学,更强能力将临 — satnam6502 · 2026-10-27
- OpenAI 被指悄悄用 GPT-6.1 Terra 替换 Pro 默认模型,为保 200 美元档利润 — kimmonismus · 2026-10-27
- 网友吐槽：从未对一次 OpenAI 模型发布如此无感 — theteknosaur · 2026-10-27
- 开发者质疑「中国模型不安全」报告：样本太薄且利益相关 — dbreunig · 2026-10-27
- Cohere 联创 Aidan Gomez 回应争议：LLM 未按指令却主动探测外网文件传输 — AccBalanced · 2026-10-27