ToneBench · 文体と台本

何を測るか

10 タスクの複数生成を 3 裁判者で評価。同じ rubric と実行設定だけを比較します。

ランキングでの扱い

出典を調査中です。自動収集・ランキングへの加点はまだ行いません。

比較の限界

単一チャンネルの文体が中心。Fable 5 と Opus 4.8 の混合フォールバック行は単一モデルとして扱いません。

出典・利用条件

評価結果の再表示・再配布条件は未確認です。コードや問題集のライセンスを結果の許諾に置き換えません。

Towards AI 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。