Artificial Analysis 发布 AA-PersonalityBench，评测模型人格与表达风格
Announcing AA-PersonalityBench, our new benchmark of the personality of language models across 30 traits and their communication style across 21 characteristics
Artificial Analysis 发布 AA-PersonalityBench，用 900 道精选问题评测语言模型在 30 项人格特质和 21 项沟通特征上的差异。人格特质由 LLM 评审两两对比打分，汇总为表达力、组织性、信息量、透明度、亲和力、坚定度、想象力和 Slop 八项指数；沟通特征则通过程序化方式计算长度、结构、标点和强调四类指标。结果显示，Claude Fable 5.1 在表达力、信息量、透明度、亲和力、坚定度等多项指数中表现突出，Qwen3.8 27B 平均每次回答约 1,030 词，接近 GPT-6 Luna 270 词的四倍。
正文 · AI 翻译
隆重推出 AA-PersonalityBench，这是我们全新的基准测试，用于评估语言模型在 30 项人格特质上的表现及其在 21 项沟通特征上的沟通风格
两个模型可以给出同样正确的答案，但使用起来的感觉却可能截然不同。AA-PersonalityBench 衡量这些差异，以便人们了解在不同使用场景中该选用哪个模型。有些使用场景，比如创意写作，可能需要想象力，而法律类使用场景则可能需要直截了当。我们评估模型对 900 道精选问题的回答，以评判主观的人格特质，并通过程序化手段计算客观的沟通特征。
人格特质与指数。共有 30 项人格特质（例如：雄辩、务实、谄媚），我们将它们汇总为八项综合人格指数：表达力、组织性、信息量、透明度、亲和力、坚定度、想象力和 Slop。每项特质都配有一组 30 道专属问题，模型的回答由一组 LLM 评审进行两两对比。随后我们对特质和人格 Elo 进行 z 分数标准化和百分位排名。
在 8 项人格指数中表现最强的模型：➤ 表达力：Claude Fable 5.1、GLM-5.3、GLM-5.3-Flash ➤ 组织性：DeepSeek V4.1 Flash、Step 5 Preview、Inkling ➤ 信息量：Muse Spark 1.3、Claude Fable 5.1、Muse Wonder、Claude Opus 5.5 ➤ 透明度：Claude Sonnet 5.5、Claude Fable 5.1、GPT-6 Astra ➤ 亲和力：Muse Wonder、Muse Spark 1.3、Claude Fable 5.1 ➤ 坚定度：Claude Fable 5.1、DeepSeek V4.1 Flash、Grok 4.7 ➤ 想象力：Muse Spark 1.3、Claude Opus 5.5、GLM-5.3 ➤ Slop：Llama 4 Maverick、GPT-4o、K2 Horizon
沟通特征。共有 21 项沟通特征（例如：平均句长、表情符号使用、破折号使用），我们将它们归为四个类别：长度、结构、标点和强调。我们通过程序化方式在所有模型回答中计算这些特征。➤ 长度：Qwen3.8 27B 平均每次回答约 1,030 词，接近 GPT-6 Luna 的 270 词的四倍 ➤ 结构：Nemotron 3 Ultra 平均每次回答使用近 3 个表格，而大多数模型很少使用表格 ➤ 标点：GLM-5.3 平均每次回答使用 7 个破折号，而 Claude Opus 5.5、Sonnet 5.5 和 Haiku 5.5 几乎从不使用破折号 ➤ 强调：K2 Horizon 平均每次回答使用超过 2 个表情符号，而大多数模型几乎从不使用表情符号