https://www.communeify.com/cn/tag/benchmark/Communeify - Your Community PlatformHugohttps://www.communeify.com/cn/blog/google-deepmind-imo-bench-new-ai-math-reasoning-standard/https://www.communeify.com/cn/blog/google-deepmind-imo-bench-new-ai-math-reasoning-standard/Wed, 05 Nov 2025 08:54:46 +0800 Google DeepMind 在其 Gemini 模型于国际数学奥林匹亚（IMO）竞赛达到金牌标准后，正式发布 IMO-Bench。这不只是一个评测工具，更是一套推动 AI 从「解决问题」迈向「深度推理」的全新基准，旨在引领 AI 领域进入更强健、更富创造力的数学推理新时代。 AI 数学竞赛夺金之后，我们该关注什么？2025 年 7 月，人工智能领域迎来了一个历史性的时刻：Google DeepMind 的先进 Gemini 模型，搭载了 Deep Think 技术，在国际数学奥林匹亚（IMO）竞赛中达到了金牌标准。这无疑是 AI 发展的重大里程碑。 然而，这场胜利的意义远不止于在 IMO 等级的难题上取得优异成绩。真正的目标，是打造一个能够进行深度、稳健数学推理的系统。毕竟，只给出正确答案是不够的，理解并证明「为何如此」才是通往真正智慧的关键。 正是基于这样的理念，在 EMNLP 2025 大会上，Google DeepMind 隆重推出了 IMO-Bench——一套先进的推理基准测试。它不仅在 Gemini 的夺金之路上扮演了核心角色，更旨在为整个 AI 社群推开数学推理能力的新大门。 所以，IMO-Bench 到底是什么？简单来说，IMO-Bench 是一套专门用来评估 AI 模型数学能力的「考题」。但这可不是普通的考试，它的所有题目都经过了由 10 位 IMO 金牌和 5 位银牌得主组成的专家小组严格审核。 IMO 的题目之所以困难，是因为它们不仅需要严谨的多步骤推理，更需要跳脱公式框架的创造力。这也正是 IMO-Bench 的核心所在。它不只关心 AI 能否算出答案，更关心 AI 能否「思考」。 IMO-Bench 主要由三个部分组成，各有侧重： IMO-AnswerBench：大规模测试，包含 400 道题目，专注于评估模型「给出正确答案」的能力。 IMO-ProofBench：进阶评估，包含 60 道题目，旨在检验模型「撰写严谨证明过程」的能力。 IMO-GradingBench：包含 1000 个案例，用于推动「自动评估长篇答案」的技术进展。 这套基准的发布，就是希望引导社群的焦点从单纯的「最终答案」转移到更为关键的「证明过程」本身，从而实现对 AI 推理能力的更严格评估。https://www.communeify.com/cn/blog/vitabench-llm-agent-midterm-test-30-percent-success-rate/https://www.communeify.com/cn/blog/vitabench-llm-agent-midterm-test-30-percent-success-rate/Tue, 21 Oct 2025 08:54:46 +0800 当我们以为大型语言模型（LLM）驱动的 AI 智能体（Agent）无所不能时，美团 LongCat 团队发布的最新评测基准 VitaBench 却给了整个产业一记当头棒喝。这项堪称「最难模拟考」的测试显示，即使是顶尖的 AI 模型，在处理复杂的真实世界任务时，成功率也低得惊人。这究竟是怎么回事？ 当 AI 智能体走出实验室，现实给了它一巴掌近年来，大型语言模型（LLM）驱动的 AI 智能体（Agent）无疑是科技圈最炙手可热的话题。我们想象着，未来只要动动嘴，AI 助理就能帮我们处理预订餐厅、规划旅游、安排外送等一切大小事。听起来很美好，对吧？ 但现实总是有点骨感。目前的 AI 智能体，在单纯、封闭的环境下或许表现不错，就像是在驾训班的练习场开车，一切顺利。然而，一旦将它们放到真实世界的十字路口——充满了突发状况、模糊指令和多重任务的复杂环境——它们还能应付自如吗？ 答案可能让你有些失望。过去的许多评测基准，都过于简化问题，无法真正反映现实生活的复杂性。这就像用一元一次方程式去评估一位数学家的能力，完全没测出真本事。 VitaBench：为 AI 智能体打造的「终极试炼场」为了解决这个问题，美团的 LongCat 团队推出了 VitaBench——一个专为评测 LLM 智能体在真实世界应用中表现而设计的全新、高难度基准。 你可以把 VitaBench 想象成一个极度拟真的「生活模拟器」。它不再是纸上谈兵，而是直接将 AI 丢进我们最熟悉的三大生活场景： 美食外送 到店消费 在线旅游服务 这个模拟环境有多复杂？它整合了高达 66 种不同的工具（Tools），从查询店家信息、订位、下单到支付，几乎涵盖了所有可能的操作。 不只是单一任务，而是「跨场景」的连续挑战VitaBench 的核心挑战在于它的任务设计。它不仅有 300 个单一场景的任务，更设计了 100 个极具挑战性的「跨场景任务」。 这是什么概念？举个例子，一个真实的用户需求可能是：「帮我预订一家能看到河景的饭店，并在入住当晚，在饭店附近找一家评价不错、不辣的餐厅，预算 200 美元。」 这个任务要求 AI 智能体： 理解复杂意图： 不只要订饭店，还要订餐厅，并且两者有关联。 跨时空推理： 需要处理入住日期、晚餐时间、饭店与餐厅的地理位置关系。 灵活使用工具： 必须先用「饭店预订工具」，再根据结果使用「餐厅搜寻工具」。 主动澄清： 如果用户指令模糊，AI 需要主动追问，例如「您希望的餐厅是哪种菜系？」 追踪动态意图： 在多轮对话中，用户可能会改变主意，AI 需要能跟上节奏。 老实说，这对人类来说都有点复杂，更何况是 AI？ 残酷的成绩单：顶尖 AI 也纷纷「阵亡」那么，在这场终极试炼中，当今最强大的 AI 模型们表现如何呢？ 结果可以说是相当震撼。https://www.communeify.com/cn/blog/ai-model-latest-ranking-why-strongest-doesnt-always-win/https://www.communeify.com/cn/blog/ai-model-latest-ranking-why-strongest-doesnt-always-win/Thu, 09 Oct 2025 08:54:46 +0800 探索最新的 AI 模型任务完成度评测报告 TaskBench。令人惊讶的是，Gemini 2.5 Flash 等模型在特定任务上的表现超越了许多知名的大型模型。本文将深入解析评测结果，并探讨为何“更大”不等于“更好”。 AI 世界的风向变了？新评测揭示惊人结果在人工智能的领域里，我们总是在追逐下一个更强大、更聪明的模型。从 GPT 系列到 Claude，再到 Gemini，各大巨头的军备竞赛似乎永无止境。但如果比较的标准不只是学术测验，而是真实世界中的任务完成能力，结果会是如何？ 最近，一份名为 TaskBench 的综合评测报告引起了广泛关注。这份报告不玩虚的，它直接测试各大语言模型在处理实际工作时的表现。结果呢？可以说是有点出乎意料。Google 的 Gemini 2.5 Flash 最新版本在整体任务完成度上名列前茅，在某些方面甚至超越了那些听起来更“重量级”的对手。 这份报告不仅仅是一张排名表，它更像一面镜子，反映出 AI 在实用性层面的真实样貌。 所以，TaskBench 到底是什么？在我们深入探讨排名之前，得先聊聊 TaskBench 是什么，以及它为何如此重要。 简单来说，TaskBench 是一个全面的评估套件，专门用来测试语言模型处理真实世界 AI 任务的能力。它和那些偏重学术理论的基准测试不太一样，TaskBench 更关心的是“这东西到底能不能用”。 它的评估方式很实际：每一个测试样本都模拟一次 API 请求，包含结构化的输入和输出，完全比照开发者在实际应用中会遇到的情况。这代表 TaskBench 的分数，直接反映了一个模型在接到具体指令时，能否漂亮地完成任务。 最新 AI 模型任务完成度排行榜好了，话不多说，直接来看数据。这份榜单根据模型在三大核心能力上的表现进行排名：情境理解 (Context)、SQL 生成 和 代理能力 (Agents)。分数代表模型成功完成任务的百分比。 排名模型情境理解 (Context)SQL 生成 (SQL)代理能力 (Agents) #1grok-4-fast-reasoning95.0%94.2%93.0%#2gemini-flash-latest93.3%95.8%87.0%#3grok-488.3%95.8%91.0%#4claude-sonnet-496.7%90.0%89.0%#5o393.3%93.3%91.0%#6claude-opus-4.191.7%95.0%87.0%#7claude-sonnet-4.598.3%95.0%85.0%#8glm-4.590.0%95.0%83.0%#9gpt-5-mini96.7%95.0%83.0%#10claude-opus-493.3%94.2%83.0%#11gpt-588.3%95.0%87.0%#12o191.7%96.7%75.0%#13claude-3.5-sonnet90.0%91.7%85.0%#14grok-386.7%91.7%81.0%#15claude-3.7-sonnet86.7%94.2%83.0%#16gemini-2.5-flash93.3%93.3%77.0%#17o4-mini88.3%94.2%87.0%#18gpt-oss-120b88.3%94.2%85.0%#19gemini-2.5-pro93.3%91.7%75.0%#20gpt-4.183.3%96.7%83.0% 想看完整的 48 个模型排名和详细数据吗？可以前往 Opper 的官方页面 查看。https://www.communeify.com/cn/blog/ai-cant-tell-time-clockbench-test-top-models-weakness/https://www.communeify.com/cn/blog/ai-cant-tell-time-clockbench-test-top-models-weakness/Wed, 10 Sep 2025 08:54:46 +0800 我们总以为 AI 无所不能，但一个简单的类比时钟却让 Google Gemini 和 OpenAI GPT-5 等顶尖模型纷纷败下阵来。最新的 ClockBench 基准测试显示，人类的准确率高达 89.1%，而最强的 AI 却只有 13.3%。这项发现揭示了 AI 在视觉推理能力上的巨大鸿沟，以及未来发展的关键挑战。 我们经常惊叹于人工智能的飞速进步。它们能写诗、能编写代码、能生成以假乱真的图像，似乎正朝着超越人类智慧的道路一路狂奔。但如果现在问你一个问题：当今最顶尖的 AI，看得懂传统的指针时钟吗？ 答案可能会让你大吃一惊。 最近，一个名为 ClockBench 的全新 AI 基准测试平台，就给了这些超级大脑们一个“下马威”。结果显示，即使是像 Google Gemini 2.5 Pro 和传闻中的 GPT-5 这样的顶级模型，在“读懂时钟”这个看似简单的任务上，表现也只能用“惨不忍睹”来形容。 这不只是看时间，而是对 AI 推理能力的终极拷问你可能会想，不过就是个时钟，有什么难的？ 这正是 ClockBench 设计的巧妙之处。读取类比时钟不仅仅是辨识数字而已，它需要一种更深层次的能力——视觉推理。AI 必须理解时针、分针和秒针之间的空间关系，辨识刻度，并将这些视觉信息综合起来，转换成一个精确的时间概念。 这项任务的难度，据研究人员表示，足以媲美 DeepMind 创办人 François Chollet 所提出的 ARC-AGI-2 挑战，甚至可能比知名的“人类最终大考（Humanity’s Last Exam）”还要困难。它直接戳中了当前 AI 技术的核心弱点。 不只是答错，而是错得离谱ClockBench 的测试结果，用“惊人”来形容绝不为过。数据显示： 人类的平均准确率高达 89.1%。(这边备注一下，他们选择的时钟测试样本有一个只有时针跟分针，没有刻度) 表现最好的 AI 模型 Gemini 2.5 Pro，准确率却只有 13.3%。 更让人意外的不是“答错”，而是“错得多离谱”。 研究人员发现，人类在读错时间时，中位数误差通常只有 3 分钟。这很合理，可能是匆忙间看错了一点点。然而，表现最好的 AI 模型，其中位数误差竟然长达 1 小时！至于那些表现较差的模型，误差更是高达 3 小时左右。在一个 12 小时制的时钟上，3 小时的误差几乎跟随机乱猜没什么两样了。https://www.communeify.com/cn/blog/meituan-meeseeks-ai-model-obedience-ultimate-challenge/https://www.communeify.com/cn/blog/meituan-meeseeks-ai-model-obedience-ultimate-challenge/Tue, 02 Sep 2025 08:54:46 +0800 AI 总是不够「听话」？美团发布全新指令遵循评测基准 Meeseeks，透过独特的多轮纠错机制，深度评估 AI 模型是否能真正理解并执行复杂指令。本文将带您深入了解 Meeseeks 的三层评测框架、技术原理，以及它为何对 AI 发展至关重要。 你有没有过这样的经验？你 meticulously（一丝不苟地）向 AI 助理下达一连串指令，希望它能生成一篇符合特定格式、语气、甚至要押韵的文案，结果却拿到一份牛头不对马嘴的答案。这种「鸡同鸭讲」的窘境，正是目前许多强大语言模型面临的共同挑战——它们知识渊博，却不一定「听话」。 为了解决这个问题，美团（Meituan）的研究团队推出了一个名为 Meeseeks 的全新指令遵循能力评测基准。它就像一个专为 AI 设计的超高难度驾照考试，不只考验模型的基本能力，更着重于它们在连续多轮对话中的适应性与自我修正能力。 这不只是一个单纯的跑分测试，它模拟了真实世界中我们与 AI 互动的场景：我们提出要求，AI 回应，我们再根据回应给予回馈，要求它修正。那么，Meeseeks 究竟是如何运作的？它又将如何推动 AI 模型的进化？ 所以，Meeseeks 究竟是什么？简单来说，Meeseeks 是一个专门用来评估 AI 模型「指令遵循」能力的基准测试。它与其他评测最大的不同点在于，它特别设计了 多轮场景（multi-turn scenario）。 想像一下，传统的评测就像一场只有一次作答机会的考试，答错了就没了。但 Meeseeks 更像是一位有耐心的老师，如果模型在第一轮回答中未能完全满足所有指令，评测框架会自动产生结构化的回馈，明确指出哪里做得不对，然后要求模型「根据回馈修正答案」。 这个过程不仅仅仅是评估，更是在考验模型的 适应性、指令坚持能力 和 迭代改进 的潜力。这也正是它最核心的特色——一个内置的「自我纠错循环」。 三层评测框架：Meeseeks 如何「拷问」AI为了全面且客观地评估模型，Meeseeks 设计了一个精密的「三级能力」评测框架。这套框架由浅入深，层层递进，确保只有最「听话」的模型才能脱颖而出。 第一级能力：你懂我的核心意思吗？这是最基础的考验，评估模型是否正确理解了使用者的核心任务意图。 核心任务： 模型知道是要「写诗」还是「写评论」吗？ 整体结构： 如果要求生成三段式文章，模型是否真的给出了三段？ 独立单元： 文章中的每一个句子或段落，是否都符合指令的细节？ 这一层确保了 AI 不会从一开始就跑偏。 第二级能力：细节决定成败如果模型通过了第一层，接下来就要面对更具体的约束条件。这里主要分为两类： 内容约束： 比如主题（关于夏天）、文体（轻松诙谐）、语言（繁体中文）、字数（200 字以内）等。 格式约束： 是否遵循了指定的模板？段落或要点的数量是否正确？ 这一层考验的是模型的精确执行力，而不是仅仅理解大概。 第三级能力：终极挑战——细微规则这是最困难的一关，评估模型对高度细粒度规则的遵循能力。这些规则往往非常「反人性」，需要模型有极强的控制力。例如： 押韵： 每一句的结尾都要押「an」韵。 关键字规避： 整篇文章禁止出现「但是」这个词。 禁止重复： 不能有重复的句子或词语。 符号使用： 只能使用句号和逗号。 很多模型在这一关会「原形毕露」，因为这需要它们在生成内容的同时，时刻监控着这些细微的限制。https://www.communeify.com/cn/blog/tencent-autocodebench-ai-coding-model-ranking/https://www.communeify.com/cn/blog/tencent-autocodebench-ai-coding-model-ranking/Thu, 21 Aug 2025 08:54:46 +0800 AI 写代码的能力越来越强，但我们如何知道谁才是真正的王者？腾讯混元推出的 AutoCodeBench 是一个全新、高难度的评测基准，涵盖 20 种程式语言。本文将深入解析其技术原理，并揭晓 Claude 4、GPT-4 等顶尖模型在这场硬核测试中的真实表现。 近年来，大型语言模型（LLM）的代码生成能力突飞猛进，几乎成了各大科技巨头的「兵家必争之地」。从简单的代码片段补全，到整个函式的撰写，AI 俨然已成为开发者不可或缺的左右手。但问题来了，当市面上有这么多宣称自己很会写代码的 AI 模型时，我们该如何客观地评估它们的真实力？ 过去的评测基准大多依赖人工标注，不仅耗时费力，而且很难扩展到多种程式语言和不同的问题难度。更常见的状况是，许多测试集过度集中在 Python 上，对于其他语言的评估既不够深入，难度也偏低，难以真正鉴别出顶尖模型的细微差异。 为了解决这些痛点，腾讯混元团队推出了一个全面性的解决方案：AutoCodeBench。这不仅是一个评测集，更是一套完整的自动化工作流程，旨在提供一个更困难、更实用、也更公平的 AI 代码能力竞技场。 所以，AutoCodeBench 到底是什么？简单来说，AutoCodeBench 是一个专门用来评估大型语言模型代码能力的基准测试集。它就像一场为 AI 举办的「程式设计奥林匹克竞赛」。 这个测试集包含了 3920 个精心设计的问题，均匀地分布在 20 种不同的程式语言 中。这意味着，无论是主流的 Python、Java、C++，还是相对小众的 Elixir、Ruby 或 Scala，AI 都必须拿出真本事应对。 AutoCodeBench 的核心特点在于其高难度、实用性与多样性，它能有效地衡量模型在处理复杂、真实世界程式设计任务时的表现。 AutoCodeBench 的独到之处：技术原理揭秘你可能会想，创造一个全新的评测集有什么了不起？AutoCodeBench 的真正厉害之处在于其背后的自动化技术，它从根本上改变了代码评测的游戏规则。 AutoCodeGen：让 AI 为 AI 出题传统评测方式是「人出题，AI 作答」。而 AutoCodeBench 采用了一种创新的 AutoCodeGen 工作流程，可以看作是「AI 出题，AI 作答」。 这个流程利用 LLM 与一个安全的「沙盒」（Sandbox）环境互动。首先，LLM 会动态生成测试用的输入数据，然后将这些数据送到沙盒中执行，取得对应的正确输出。透过这种方式，它能够自动化地、大规模地产生高品质、附带标准答案的代码题目。这种「逆向工程」式的问题建构方法，确保了题目的难度和实用性，不再是那些一眼就能看穿的简单问题。 MultiLanguageSandbox：公正的跨语言裁判要评估 20 种语言，就需要一个能读懂并执行这 20 种语言的裁判。MultiLanguageSandbox 就是扮演这个角色的关键服务。 它是一个强大、安全且高效的多语言代码执行沙盒，支援超过 30 种程式语言的编译与执行。当模型生成代码后，会被送到这个沙盒中进行验证，确保其正确性与效能。这就像一位精通多国语言的裁判，确保比赛的公平与准确。 不只一种！AutoCodeBench 家族全解析为了满足不同的评估需求，AutoCodeBench 还衍生出几个不同版本，形成了一个完整的评估工具系列： AutoCodeBench：这是最主要的版本，包含全部 3,920 个问题，提供最全面的评估。 AutoCodeBench-Lite：研究团队在对超过 30 个模型进行全面测试后，筛选出了 1,586 个至少被两个不同模型成功解决的问题，组成了这个「精简版」。它的好处是能更有效地放大顶尖模型之间的性能差异，让我们看清楚谁的表现更稳定、更优越。 AutoCodeBench-Complete：这个版本从 Lite 版中精选 1,000 个问题，并采用「3-shot 提示」的方式，专门用来评估那些未经特定指令微调的「基础模型」（Base Models）的潜力。 王者揭晓：谁是代码能力的霸主？说了这么多，大家最关心的肯定是结果。究竟在 AutoCodeBench 这块「试金石」上，哪个模型的表现最好？从官方发布的 Pass@1（一次成功率）性能数据来看，答案相当明确。https://www.communeify.com/cn/blog/ai-social-skills-ranking-reading-the-room-latest-list/https://www.communeify.com/cn/blog/ai-social-skills-ranking-reading-the-room-latest-list/Fri, 15 Aug 2025 08:54:46 +0800 你以为 AI 只会写程式、算数学吗？错了！最新的 LLM 社交能力基准测试，让 AI 们在「淘汰赛」中一较高下，看谁最会说服、拉拢、甚至「搞政治」。结果出乎意料，快来看看你爱用的模型排第几！ 我们常常惊叹于 AI 惊人的计算能力和知识储备，问它复杂的物理问题，它能对答如流；叫它写一段程式码，它也毫不费力。但你有没有想过，如果把一群 AI 丢进一个需要互相沟通、说服、甚至耍点小心机的环境里，谁能笑到最后？ 这听起来像是科幻电影的情节，但现在，它真的发生了。 最近，一个名为「淘汰赛 (Elimination Game)」的 大型语言模型（LLM）社交技能基准测试 结果公布，瞬间引起了热议。这不是要 AI 考数学或写诗，而是要它们玩一场生存游戏，测试它们的「社交智慧」。老实说，这比单纯看跑分酷多了。 什么是「AI 淘汰赛」？这可不是普通的考试让我们先搞清楚这场复杂的游戏是怎么玩的。这绝对不是简单的投票，它的规则设计得像是一场融合了策略桌游、外交谈判和实境生存秀的考验。 游戏设定是这样的： 玩家： 每场比赛有 8 个大型语言模型（LLM）同时参与。 沟通： 每一轮，AI 们会先进行一轮公开对话（上限 80 字），所有人都能看到。接着是三轮越来越简短的私下讯息（70/50/30 字），它们可以一对一地秘密协商、建立或背叛盟约。 投票与淘汰： 沟通结束后，进行匿名投票。如果出现平手，会触发简短的陈述环节和重新投票。如果依然平手，则由累积的「仇恨值」或其他机制决定，最下策才是随机淘汰。 决赛： 比赛进行到只剩最后两位 AI 时，之前所有被淘汰的 AI 会组成「陪审团」，听取两位决赛者的最终陈述，然后私下投票并说明理由，选出最终的冠军。 整个过程都由一套复杂的 TrueSkill 评分系统记录和分析，不仅仅是看谁赢谁输，还会评估背叛、说服力、言辞风格等各种社交指标。 说白了，这是在极度压力下，考验 AI 能否建立信任、组建联盟、策略性欺骗、抵抗蛊惑、管理自己声誉以及进行长远规划的能力。 社交王者是谁？排行榜大公开！好了，说了这么多，到底谁是 AI 界的社交达人？结果可能会让你有点意外。 拔得头筹的是 GPT-5 (medium reasoning)，它的表现非常亮眼，以 4.9 的高分夺冠。紧追在后的是 xAI 的 Grok 3 Mini Beta (high reasoning) 和 OpenAI 的 GPT-5 mini (medium reasoning)，两者都获得了 4.8 分。https://www.communeify.com/cn/blog/design-arena-full-ranking-ai-battle-website-video-generation/https://www.communeify.com/cn/blog/design-arena-full-ranking-ai-battle-website-video-generation/Thu, 14 Aug 2025 08:54:46 +0800 AI 界的竞争已进入白热化阶段！一个名为 Design Arena 的基准测试平台，正透过大规模的群众投票，全面检视各大 AI 在写程式、建网站、生成图像、影片乃至声音等领域的真实实力。最新榜单显示，Claude 在综合实力上险胜 GPT-5，而 Midjourney 在影片生成领域简直无人能敌，更有 OpenAI 的语音模型创下 100% 胜率神话。这份榜单究竟揭示了哪些行业趋势？谁才是各领域的真正王者？让我们一探究竟。 不只是一个竞技场，更是一个全能的“AI 实力检测仪”您可能听说过 Design Arena (https://www.designarena.ai)，一个让 AI 模型在设计上捉对厮杀的平台。但它的野心远不止于此。如今，Design Arena 已经演变成一个涵盖多个创意与技术领域的综合性基准测试平台 (Benchmark)，透过成千上万名使用者的“盲测”投票，为我们揭示了在没有行销话术干扰下，各大 AI 工具的真实表现。 这个平台的核心机制很简单却极其有效：给定一个任务，让两个 AI 匿名完成，然后由真人投票选出胜者。 这种基于 Elo 评分系统的排名，比单纯的功能列表更能反映 AI 在特定任务上的优越性。 现在，就让我们深入剖析 Design Arena 四大核心战场的最新战况。 战况最激烈的前线：AI 模型综合实力 (Models) 大比拚这是 Design Arena 最早也是最受关注的战场，主要测试 AI 在程式码生成、UI 设计、数据视觉化等综合任务上的表现。这里的竞争堪称“神仙打架”，排名瞬息万变。 RankModelElo RatingWin RateMoEBattlesOrganizationTime 1Claude Opus 4.1 (No Thinking)1362 293W / 111L71.8%±4.4%394Anthropic2m 4s2Claude Opus 4 (No Thinking)1362 1933W / 759L71.8%±1.7%2,692Anthropic1m 29s3GPT-5 (Minimal Reasoning)1361 268W / 106L71.7%±4.6%374OpenAI1m 59s4Claude Sonnet 4 (No Thinking)1342 2019W / 892L69.4%±1.7%2,911Anthropic1m 13s5DeepSeek-R1-05281339 1135W / 509L69.0%±2.2%1,644DeepSeek1m 17s 战况分析： 从数据可以清楚看出，Anthropic 公司的 Claude 双雄 (Opus 4.1 & 4) 以极其微弱的优势并列榜首，将 OpenAI 的 GPT-5 挤到了第三位。前三名的 Elo 评分仅有 1 分之差，胜率也几乎持平，显示出顶尖模型在这个领域的实力已在伯仲之间。值得注意的是，Anthropic 的模型在前段班占据了多个席位，展现了其在程式码和逻辑推理方面的强大实力。https://www.communeify.com/cn/blog/2025-ai-eq-bench-ranking-most-emotionally-intelligent-llm/https://www.communeify.com/cn/blog/2025-ai-eq-bench-ranking-most-emotionally-intelligent-llm/Thu, 14 Aug 2025 08:53:46 +0800 AI 不再只是冰冷的机器。最新的 EQ-Bench 3 情商评测榜单出炉，结果可能让你大吃一惊。本文将深入解析这份榜单，看看 Horizon-Alpha、Kimi、GPT-5 和 Gemini 等顶尖模型在「读懂空气」方面的真实表现，并探讨为何情商正成为 AI 发展的下一个关键战场。 你有没有想过，当我们跟 AI 聊天时，除了得到精准的答案，我们还期望什么？或许是一种被理解的感觉，一种温暖的回应，甚至是一种能「读懂空气」的默契。坦白说，这就是「情商」（Emotional Intelligence, EQ），而它正悄悄成为评断一个 AI 模型优劣的全新维度。 最近，权威的 AI 情商评测平台 EQ-Bench 发布了最新的第三版排行榜，这份榜单就像是 AI 界的「情商大考」，透过极具挑战性的角色扮演情境，来检视各大模型处理复杂情感互动的能力。 那么，在 2025 年的今天，究竟哪个模型最懂得「人心」？结果可能和你想的不太一样。 什么是 EQ-Bench？它为何如此重要？在我们揭晓榜单之前，得先聊聊 EQ-Bench 是什么。简单来说，它不是一个测试 AI 计算或写程式能力的平台，而是专门设计来衡量大型语言模型（LLM）在情感交流上的表现。 评测方式非常特别：它让模型参与到一些棘手、充满情感张力的模拟对话中，再由另一个高效能模型（目前由 Sonnet 3.7 担任评审）从同理心、洞察力、社交敏锐度等多个维度进行评分。最终，透过类似棋类比赛的 Elo 评分系统，给出一个综合的情商分数。 这为什么重要？因为随着 AI 融入我们的日常生活，无论是作为工作助理、学习伙伴还是生活伴侣，它的情商高低，将直接决定我们的体验是顺畅愉快，还是充满挫折。一个高 EQ 的 AI，才能真正成为我们的得力助手，而不只是一台会说话的计算机。 2025 年 8 月最新 AI 情商排行榜 (Elo Score)好了，重头戏来了。让我们看看这份截至 2025 年 8 月 14 日的最新榜单。请注意，Elo 分数越高，代表综合情商表现越强。至于旁边五颜六色的能力分数，它们不计入总分，但能让我们一窥各模型独特的「个性」。 排名模型 (Model)Elo 分数 1horizon-alpha15682Kimi-K2-Instruct15653o315004gemini-2.5-pro-preview-06-0514705chatgpt-4o-latest-2025-03-2713706gpt-5-chat-latest-2025-08-07 (新)13577chatgpt-4o-latest-2025-04-2513208GLM-4.5 (新)13119o4-mini129110claude-opus-4129011gemini-2.5-pro-preview-03-25128412Qwen3-235B-A22B127513DeepSeek-k-R1127014claude-sonnet-4126015gemini-2.5-pro-preview-2025-05-071247 资料来源：EQ-Bench 官方网站