Arena · 創作

何を測るか

公式 text_style_control の creative_writing にある Bradley–Terry スコアと信頼区間を使います。

ランキングでの扱い

単一モデルの評価条件を確認した測定のみが、固定された分野・タスク群の重みで集計対象になります。有効な重みは各公開集計に保存します。

比較の限界

質問は自動分類され、長編小説や特定言語だけの評価ではありません。Arena 全体とは独立機関として数えません。

出典・利用条件

CC BY 4.0 · LMArena の公式評価データ。帰属と出典リンク、集約による変更を表示します。

LMArena による成績です。元の点数は尺度が異なるため単純加算せず、固定の基準尺度で比較します。