Arena 新增事实性排行榜
WeijiaShi2 · x · 2026-07-16
Arena 把 factuality 纳入了模型排名，新的榜单会按“人类偏好 + 事实性”的加权结果展示。
官方说明他们会随机抽取对话中的 battle，提取可由网页核实的断言，再逐条核验正确性；为此已经标注了超过 200 万条 LLM 断言，其中 130 万+ 来自 Text Arena，70 万 来自 Search Arena。
转推里提到的结果是：GPT-5.6 在事实性上明显领先，Grok-4.5 紧随其后；Opus-4.8 的事实性分数高于 Fable-5，而 Muse-Spark 在事实性权重提高后掉分明显。
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
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 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