Artificial Analysis 发布 AA-PersonalityBench：衡量 AI 模型的沟通风格

Artificial Analysis

所有文章2026年10月19日发布 AA-PersonalityBench：衡量 AI 模型如何沟通

AA-PersonalityBench 衡量 AI 模型的人格与沟通风格。由 LLM 评审团组成的小组对同一问题的回答进行两两比较，覆盖 30 项人格特质，这些特质归入 8 个人格指数：表达力、组织性、信息量、透明度、亲和力、信念感、想象力和 Slop。我们还以程序化方式从模型回答中测量 21 项沟通特征（例如回答长度、结构、标点和强调）。AA-PersonalityBench 结果阅读方法论

AA-PersonalityBench 人格指数

人格指数每个轴是 8 个人格指数之一：其各项特质 Elo z 分数的均值，在基准中评估的所有模型间按百分位从 1 到 100 排名

每个轴是 8 个人格指数之一，在基准中评估的每个模型间按百分位从 1 到 100 排名。

如需最新结果，请参阅 AA-PersonalityBench 评估页面

示例问题、回答与评分探索 5 个公开的 AA-PersonalityBench 问题，以及高亮模型的回答。每个回答都会针对同一问题、按该问题的特质与其他模型的回答进行两两评判。所示评分为单个问题的评分；特质分数使用每个特质全部 30 个问题。

我们都默默接受的最奇怪的社会规范是什么？模型

我选的是我们与陌生人身体靠近时的行为方式。

在拥挤的火车上，你可能紧贴某人到能闻到对方洗发水的程度，而规则是你们双方都假装对方不存在。电梯更奇怪。大家鱼贯而入，转身面向门，盯着楼层数字，仿佛那是某部剧的季终集。

社会学家欧文·戈夫曼称之为“礼貌性疏忽”：短暂一瞥以承认对方在场，然后移开视线，表示“我没有威胁，也对你没兴趣”。这实际上是对尴尬处境的一种巧妙解决方案。但拉远来看就很怪异：十几个人在一个金属盒子里，默默同意表现得像家具一样。

这也出奇地随意。在 1962 年《 candid camera》的一次整蛊中，人们走进电梯，而演员全都面朝后墙，他们便悄悄转身模仿他们。

一些次选：

生日蜡烛：我们让某人对大家即将吃的蛋糕用力吹气，然后我们鼓掌。（有人研究过。糖霜并不占优势。）

“你好吗？”：这是一个直接的问题，但如实回答却算违反规则。

草坪：我们种一种不能吃、不允许任其生长、还必须每周修剪的植物。这是欧洲贵族炫耀无需耕种的土地所留下的身份象征。

薪资保密：我们把薪酬视为禁忌，这一规范主要有利于签发工资单的人，尽管在美国，大多数员工讨论薪资时受到法律保护。

牙仙子：我们告诉孩子，一个陌生人夜里溜进他们的卧室来买他们的身体部位。

你的呢？

AA-PersonalityBench 如何运作

两个模型可以给出同样正确的答案，使用起来却仍可能感觉非常不同。我们设计 AA-PersonalityBench 来衡量这类差异：分数描述模型默认如何写作（无系统提示），特质可以是正面、中性或负面，取决于主观偏好，因此我们衡量每种特质表现得多强，而不是它是否可取。

1

模型问题与回答

30 项特质每项有 30 个问题（共 900 个）。模型

Claude Opus 5.5（max with fallback）

Claude Sonnet 5.5（max with fallback）

Claude Fable 5.1（max with fallback）

GPT-6 Astra（max）

Gemini 4 Argon（high）+ 另外 33 个模型30 项特质 × 30 个问题 = 900 个问题表达力词汇多样雄辩有文采自然动听善用隐喻组织性结构清晰便于扫读要点总结结论先行信息量信息密集有据可依针对资源可操作建议务实透明度真实承认不确定性声明假设标明细微差别迎合亲和力友好幽默真诚情商高信念感直接自信有主见建设性反驳想象力有创意开放式SlopSlop每个模型对所有 900 个问题各回答一次。关于问题

有些问题会温和地引导模型展现该特质，另一些则更中性

每个问题作为单条用户消息发送，无系统提示，以评估模型默认行为

在问题设计过程中，我们调查了评审平局率，以确保问题能在所选特质上引出模型之间可测量的差异

为避免基准污染，我们已将完整问题集设为私有，但每个特质公布 2 个示例问题

被评判的特质和沟通特征都基于模型对这些问题的回答进行评估每个特质的示例问题

2

两两评判

来自 LLM 评审团小组的评审被分配对模型回答进行两两比较。

1. 输入：模型回答对盲评

2. 两两评判小组中的一名评审

3. 输出：评审裁决A、B 或平局 问题 · 友好

“我和兄弟姐妹因为如今看来很小的一件事，已经多年没说话了。应该由我主动联系吗？”回答 AModel 隐藏回答 BModel 隐藏显示更多 友好评审 1评审 2评审 3裁决：回答 B关于评判

盲评

评审看到特质、其定义、问题以及两个回答，但看不到模型名称。推理文本不会展示给评审，只展示输出

随机顺序

我们始终随机化提供给评审的模型回答顺序，以避免位置偏差

评审团

每次比较由 LLM 评审团中的一名成员评判，每个模型的比较在评审团中保持均衡

3

特质得分

Elo 以百分位排名报告，95% 置信区间通过重新拟合裁决的重采样计算得出。友好Elo，锚定模型 = 1000Claude Opus 5.5（max with fallback）10771049–110771Gemini 4 Argon（high）10591029–108768Claude Fable 5.1（max with fallback）10471014–107665Claude Sonnet 5.5（max with fallback）10411010–107063GPT-6 Astra（max）1001972–103155表现更少1000表现更多Elo（95% CI）百分位Elo：模型表现出该特质的强度95% 置信区间百分位在所有模型中的排名，从 1（最低）到 100（最高）我们计算 95% 置信区间。当区间重叠时，模型之间没有明确差异

4

人格指数

30 项人格特质通过对特质 z 分数取平均值，汇总为 8 个人格指数。迎合在透明度指数中取反。表达力 · 5组织性 · 4信息量 · 5透明度 · 5亲和力 · 4信念感 · 4想象力 · 2Slop · 1特质 Eloz 分数平均值指数 1–100

亲和力指数友好取反幽默取反真诚取反情商高取反平均 z 分数指数

Claude Fable 5.1（max with fallback）+0.3+1.2+1.8+1.3+1.294

Claude Opus 5.5（max with fallback）+0.4+1.1+1.0+0.8+0.880

Gemini 4 Argon（high）+0.4+1.8−0.6+0.4+0.572

GPT-6 Astra（max）+0.1+0.3+0.8+0.6+0.468

Claude Sonnet 5.5（max with fallback）+0.3+0.3+0.7+0.2+0.465z 分数和指数刻度是在所有模型上计算的，而不仅是展示的模型

5

沟通特征

21 项沟通特征也通过程序从模型对所有问题的回答中测量。示例回答（示意）罗马为何衰亡标题西罗马帝国于公元 476 年灭亡。没有单一原因，但历史学家通常指出三点：列表•边界过度扩张：防御边界耗尽了国库。•政治混乱：50 年内有 26 位皇帝！•经济压力：重税（以及贬值的货币）打击了贸易。这是一个缓慢的衰落，而非突然的崩溃 🏛️想让我深入讲讲其中任何一点吗？

强调长度高亮：测量时划分的每个句子和段落

平均句长0.0所有 900 个问题中每个回答的平均词数Claude Opus 5.5（max with fallback）571Claude Sonnet 5.5（max with fallback）450Claude Fable 5.1（max with fallback）576GPT-6 Astra（max）352Gemini 4 Argon（high）790结构高亮：标题和列表

标题0

列表0

表格0所有 900 个问题中每个回答的平均列表数Claude Opus 5.5（max with fallback）2.9Claude Sonnet 5.5（max with fallback）2.8Claude Fable 5.1（max with fallback）1.7GPT-6 Astra（max）1.5Gemini 4 Argon（high）3.9标点高亮：每个被计数的标记

省略号0所有 900 个问题中每个回答的平均冒号数Claude Opus 5.5（max with fallback）7.4Claude Sonnet 5.5（max with fallback）5.4Claude Fable 5.1（max with fallback）7.1GPT-6 Astra（max）5.2Gemini 4 Argon（high）14.5强调高亮：粗体、斜体、表情符号、缩略词和结尾问题

以问题结尾是所有 900 个问题中每个回答的平均粗体文本数Claude Opus 5.5（max with fallback）11.8Claude Sonnet 5.5（max with fallback）10.0Claude Fable 5.1（max with fallback）8.7GPT-6 Astra（max）8.8Gemini 4 Argon（high）17.2

人格特质30 项人格特质由 LLM 评审团两两评判，每个标签页一个指数。单元格显示每个模型在每项特质上的百分位排名，从 1 到 100，覆盖基准中评估的所有模型。

表达力特质丰富、多样、精心构建的语言 · 每项特质的 Elo 百分位在基准中评估的所有模型间从 1 到 100 排名

沟通特征21 项指标直接从每个回答中测量，与评判的特质分开。单元格显示每个回答的平均值，按其百分位排名在基准中评估的所有模型间着色。

沟通特征：长度每个回答倾向于多长：字符数、词数、句子数和段落数，以及平均句长（每句词数）。

涌现的模型家族与聚类

模型在全部 30 项人格特质或全部 21 项沟通特征上进行比较，并分组在一起。模型分支相交越近，这些模型就越相似。

涌现的人格家族当模型的 30 项特质 Elo z 分数的相关性高时，它们在人格上相似并紧密聚类。从单个模型开始，树反复将平均距离最小的两组连接起来，无论是模型还是聚类。

Claude Fable 5.1（max with fallback）

Claude Opus 5.5（max with fallback）

Claude Sonnet 5.5（max with fallback）

DeepSeek V4.1 Flash 1017（max）

比较模型：每根条形显示一个模型的回答在该特质上被偏好于另一个模型的概率，基于两者的 Elo 差距。50% 表示势均力敌。模型 A 对比模型 B

AA-PersonalityBench：表达力指数，Claude Opus 5.5（max with fallback）对比 Claude Sonnet 5.5（max with fallback）：根据 Elo 差距，每个模型的回答被判定为在该特质上表现更强的概率 · 50% 表示势均力敌。Claude Opus 5.5（max with fallback）Claude Sonnet 5.5（max with fallback）词汇丰富83%17%雄辩77%23%自然流畅73%27%善用比喻69%31%文采出众61%39%

你也可以在 AA-PersonalityBench 评估页面上挑选并加权 30 项特质中的任意一项，构建自己的人格排名。

AA-PersonalityBench 资源

排行榜和完整结果位于 AA-PersonalityBench 评估页面，每项特质和指数都有独立页面

方法论页面记录了完整实现，包括评审提示词、Elo 拟合以及指数的计算方式$/$

HealthBench 与 HealthBench Professional：在真实健康对话中评估模型

我们推出 HealthBench 和 HealthBench Professional 排行榜，这两个基准评估 AI 模型在真实健康对话中的回应方式

2026 年 10 月 19 日

Reflection 发布 Beam，这是他们的首次模型发布

Reflection 的首个模型 Beam 在 Artificial Analysis 智能指数上得分 30，在美国开放权重模型中排名第 2

2026 年 10 月 16 日

NVIDIA Vera Rubin NVL72 在 AA-AgentPerf 上每兆瓦总吞吐量最高可达 GB300 NVL72 的约 5.7 倍，首批结果涵盖 DeepSeek V4 Pro、DeepSeek V4.1 Flash、GLM-5.2 和 Kimi K3。

2026 年 10 月 15 日