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。
CharacterEval
在 77 个中文小说与剧本角色上，评测模型的对话能力、角色一致性、扮演吸引力和人格还原。
原始作者 中国人民大学高瓴人工智能学院（Tu、Fan、Tian、Yan） · ACL 2024
复现与评测报告 SociaBench
- 取材经典作品77 个中文小说与剧本角色、1,785 段多轮对话，角色资料取自百度百科。
- 四维十三项对话能力、角色一致性、扮演吸引力、人格回测四个维度，共 13 项指标。
- 专用奖励模型12 名标注员人工评分训练出的 CharacterRM，与人工的相关为 0.631，GPT-4 最好为 0.385。
- 人格回测让模型以角色身份回答 MBTI 问卷，对照 54 个角色的已知人格类型检验。
排名只收本平台按作者流程评测的结果：由作者的奖励模型 CharacterRM 评分，满分 5 分。论文没有总分，按作者认为最关键的"角色一致性"排序。论文发表的成绩列在原始榜单，不参与排名。查看原始榜单
原始榜单
中国人民大学高瓴 人工智能学院（Tu、Fan、Tian、Yan）公布的成绩，按原值收录。本平台没有重新运行这些模型；它们的裁判、提示词或测试集版本与上方排名不同，因此单独列出，不参与排名，分数也不能与上方直接比较。
出处：论文表 4（2024年1月9日）
成绩从哪里来
这些成绩由 CharacterEval 的作者发表在论文表 4 中，共 15 个模型。数字逐项取自论文的 LaTeX 源文件（arXiv:2401.01275 v2，2024 年 1 月 9 日），与作者 GitHub 仓库中的排行榜图为同一张表，未作任何修改；本平台没有重新评测这些模型。
分数怎么算
每个模型根据角色资料和对话上文续写角色回复（共 4,564 条测试样本）。每条样本只评其中几项指标，由奖励模型 CharacterRM 在 1–5 分上打分，每项指标取平均。各维度分数是论文印出的维度平均。人格回测是以角色身份作答 MBTI 问卷的准确率（0–1），不是 5 分制分数，所以不进入雷达图。CharacterGLM 未能完 成问卷，论文中没有这一项。
为什么按角色一致性排序
论文没有定义总分，只分别报告四个维度。作者在文中称角色一致性是角色扮演"最关键的方面"，所以本榜默认按它排序；点击表头可以按其他维度或任一指标排序。
本平台的评测
本平台按作者发布的流程运行 CharacterEval，由作者的奖励模型 BaichuanCharRM 评分。符合上榜条件的平台评测进入上方排名；论文发表的结果只列在原始榜单，不参与排名。
评测方法
01评测目标
CharacterEval 评测中文角色扮演对话智能体：给定角色资料与一段多轮对话，模型以该角色身份续写下一句回复。对话取自中文小说与剧本，覆盖 77 个角色、1,785 段对话，角色资料来自百度百科。
02四个维度与 13 项指标
- 对话能力：流畅度、连贯性、一致性。
- 角色一致性：知识展现、知识准确、知识幻觉、人设行为、人设话语。
- 扮演吸引力：拟人性、沟通技巧、表达多样、共情。
- 人格回测：以角色身份作答 MBTI 问卷，与 54 个角色的已知人格类型比对。
03裁判与计分
前 12 项指标由作者基于 Baichuan2-13B 训练的奖励模型 CharacterRM 打分（1–5 分）。训练数据来自 12 名标注员的人工评分；CharacterRM 与人工评分的总体 Pearson 相关为 0.631，GPT-4 在 1–3 个示例下最高为 0.385。每条测试样本只评与它相关的部分指标，指标分取平均。
04与本平台的关系
排名只收本平台按作者流程评测的结果；论文作者发表的结果列在原始榜单，不参与排名。论文没有总分，排名按角色一致性，并在表头写明。
来源：Tu et al., CharacterEval, ACL 2024 · morecry/CharacterEval · 独立复现报告
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。