术语slug: elo-rating-system

Elo评分系统

Elo Rating System

基于胜负概率计算相对实力的积分方法,常用于模型盲测排名

收录情报动态

共 12 篇 · 第 1/2 页
Artificial Analysis (@ArtificialAnlys)T1·基座大模型
78 分
Artificial Analysis 发布 Code2Video-AA 基准 Claude Opus 5.5 领跑视频生成

Artificial Analysis 推出独立实现的 Code2Video-AA 基准,用于评估大模型通过代码生成营销视频的能力。Claude Opus 5.5 以显著优势位居榜首,但成本约为 GPT-6.1 Sol 的十倍。该基准基于 114 个设计简报和超过 35,000 次成对比较,从五个维度计算 Elo 评分。

Artificial AnalysisT1·基座大模型
68 分
Code2Video-AA 基准发布 评估模型代码生成视频能力

Artificial Analysis 推出 Code2Video-AA 独立实现,基于 HeyGen 的 Code2Video Bench,评估大模型通过 HyperFrames HTML 代码设计短视频的能力。Claude Opus 5.5 以显著优势领跑,在五项评判维度中均排名第一。该基准为开发者提供了量化模型在创意编程与多模态输出结合场景下的性能参考。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
68 分
Kimi K3.1 Pro 发布:智能体编码领先但 3D 生成待测

月之暗面发布 Kimi K3.1 Pro,该模型在 GDPval-AA 和 Terminal-Bench 4.0 等智能体知识工作与编码基准中表现领先。尽管其在交互式 3D 场景构建(AA-3D)上的 Elo 评分仍在收集初期数据且预计低于前代,但其生成的山地自行车下坡演示展示了潜在的复杂场景处理能力。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
78 分
AA-PersonalityBench 发布 量化大模型个性与沟通风格

Artificial Analysis 推出 AA-PersonalityBench,通过 900 道精选问题评估大模型的 30 种个性特质及 21 项沟通特征。该基准将主观个性聚合为表达力、透明度等八大指数,并客观量化标点使用、Emoji 频率等风格差异,帮助用户根据创意或法律等不同场景选择最适配的模型。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
78 分
Artificial Analysis 发布 AA-3D 基准:以 Elo 排名评估大模型构建交互式 3D 场景能力

Artificial Analysis 推出全新基准测试 AA-3D,专门评估 AI 模型作为智能体在离线沙盒中根据文字简报构建交互式 three.js 3D 场景的能力。该基准通过超过 10,000 次人类盲测投票生成 Elo 排名,结果显示 Claude Sonnet 5.5 等四款模型并列榜首,而 GPT-6 Luna 虽成本最低但排名第八,揭示了模型在复杂空间逻辑与代码生成上的显著差异。

IT之家 · 智能时代T2·基座大模型
42 分
Arena 第 41 周大模型榜单:Claude Opus 5.5 Max 首登智能体榜首,国产模型稳居综合榜中上游

Arena 平台发布 2026 年第 41 周 AI 大模型排行榜,Anthropic 新发布的 Claude Opus 5.5 Max 在首次入榜即夺得智能体(Agent)类别第一名。综合榜方面,Gemini-4-Argon-High 保持榜首,国产模型如 Kimi-K3-Max 和 Qwen3.8-Max 排名稳定,整体处于中上游梯队。该榜单基于用户盲测投票与 ELO 算法,反映主观偏好而非绝对能力基准。