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
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11
- 第三方实测:DeepSeek V4.1 Flash 达 GPT-6 Astra 98% 分,成本仅 1.4% — ayushtweetshere · 2026-09-11
- TheZhi 发起调查:Fable 5.1 与 Astra 发布后,编码模型选择变了吗 — TheZvi · 2026-09-11
- antirez 谈 Anthropic 禁止未成年人使用 Claude — antirez · 2026-09-11
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11