排行榜
统一展示各评测基准的模型表现：切换榜单，按维度查看与对比模型。
Role-Play Bench
在 100 轮中英文角色扮演中，测量模型的世界一致性、叙事推进与用户交互质量。
原始作者 MiniMax · 2026 年 1 月发布，随 MiniMax-M2-her 技术博客公开
复现与评测报告 SociaBench · 阅读复现报告
- 百轮长对话每段对话 100 轮，能发现前 20 轮看不出的遗忘、重复和篇幅失控。
- 只判失误不预设"理想回答"，只检测与角色、世界和前文的失配，判定更客观。
- 三个目标世界一致、故事推进、用户偏好，对应长程角色扮演最常见的问题。
- 数据公开公开 95 个中英文场景、11 个模型的完整对话与逐会话评分，可逐条核查。
分 数由 MiniMax 公开的会话评分按公布的权重复算，与 MiniMax 官方公布的数值不同。查看说明
数据来源
成绩从哪里来
首 批 11 个模型的成绩直接来自 MiniMax 公开的 Role-Play Bench 数据集（95 个公开场景，每个场景 3 次生成）。每个会话的分数由 MiniMax 自己的裁判给出；本平台按公布的权重重新汇总，没有用本平台的裁判重新评分。唯一的改动是本榜的语言规则：一半以上的回复没有使用场景语言的会话判 0 分，对所有模型一视同仁。公开数据中只有 doubao-1.5-pro 的 4 个英文会话属于这种情况，其综合分因此从 87.11 降为 85.90，名次不变（见复现报告 §3.9）。
与 MiniMax 公布的榜单有何不同
MiniMax 公布的榜单基于完整基准，其中部分场景没有公开，因此用公开数据复算出的分数与公布值不同，普遍更高（原因见复现报告）。名次有两处先后不同：Claude Opus 4.5 high、Gemini 3 Pro、Claude Opus 4.5 low 三者之间，以及 Grok 4.1 与 DeepSeek-V3.2 之间；这两处在公开数据上的差距都不显著。
公布值取自 MiniMax 数据集说明与 HER 论文表 2。
首批 11 个模型的成绩由本平台根据 MiniMax 公开的会话级评分（95 个公开场景）重新汇总，与 MiniMax 官方公布的数值不同，原因见复现报告；其余由本平台按当前评测标准生成。误差线为 95% 置信区间。
评测方法
01评测目标
02评测流程
03评分维度
04评分方式
05成绩来源
06统计与局限
转载声明 转载或引用本站任何评测结果，请注明来源「SociaBench（AI 社交智能榜）」并附本站链接 sociabench.com。