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
- 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。
排名只收本平台按当前评测协议跑出的结果。MiniMax 公布的成绩列在原始榜单，不参与排名。查看原始榜单
排名模型
原始榜单
MiniMax 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。
名次模型综合
1MiniMax-M2-her84.65
2doubao-1.5-pro80.64
3gpt-5.180.63
4claude-opus-4.5（高思考强度）76.62
5gemini-3-pro75.60
6claude-opus-4.5（低思考强度）71.19
7claude-sonnet-4.569.35
8gemini-2.5-pro68.23
9deepseek-v3.164.22
10deepseek-v3.260.27
11grok-4.148.47
出处：MiniMax 公布（数据集说明、HER 论文表 2）（2026年1月28日）
成绩从哪里来
原始榜单是 MiniMax 公布的 Role-Play Bench 综合分，取自 MiniMax 的数据集说明与 HER 论文表 2，按原值收录。这些分数由 MiniMax 自己的裁判在完整基准上评出，其中部分场景没有公开；MiniMax 只公布了综合分，没有分语言、分目标的成绩。
为什么不和排名放在一起
上方排名中的成绩由本平台在公开场景上、按本平台的评测协议（裁判与用户模拟器）生成。两边的裁判与场景都不同，分数不能直接比较，所以原始榜单单独列出，不参与排名。用 MiniMax 公开的会话级评分复算出的分数与公布值的对照，见复现报告。
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。