---
title: "SociaBench — AI 社交智能排行榜与评测平台"
description: "SociaBench AI 社交智能榜，专注于大语言模型的角色扮演、人格一致性、社交推理和类人交互能力评测，提供模型排行榜、自动化评测实验室与学术研究工具。"
canonical: "https://sociabench.com/zh-CN"
markdown: "https://sociabench.com/zh-CN/index.md"
type: "WebPage"
entity: "https://sociabench.com/zh-CN#webpage"
publisher: "SociaBench"
language: "zh-CN"
date_modified: "2026-11-01"
---

# AI 社交智能领域的专业评测

全球 AI 社交智能评测与排行榜平台。通过多维度基准测试、透明的评测方法与可复现的实验，探索 AI 在角色扮演、社交理解与自然交互中的真实能力。

[探索排行榜](https://sociabench.com/zh-CN/leaderboards) · [开始评测](https://sociabench.com/zh-CN/lab) · [研究中心](https://sociabench.com/zh-CN/methodology)

合作基础设施

-   OpenAI
-   Anthropic
-   Google
-   OpenRouter
-   Cloudflare
-   Hugging Face
-   vLLM

为什么是社交智能

## AI 正在从回答问题，走向与人相处

通用榜单测知识、数学与代码，它们有标准答案。社交智能没有唯一正确的回答，它体现在多轮交互里，取决于对方是谁、关系如何、目标是否达成。我们只做这一个方向，因为它决定了 AI 能否被放心地放进人与人之间。

### 角色与陪伴

角色扮演、陪伴、教育与心理支持类产品里，模型要在成百上千轮对话中稳定地成为「某个人」。

### 数字孪生与人群模拟

研究者已经用大模型模拟具体的个人和整个人群，用来预演调查、产品与政策决策。斯坦福等机构用 1,052 名真人约 2 小时的访谈构建个体智能体，其社会调查作答达到本人两周后重测一致性的 82%⁠–⁠86%。[\[1\]](#ref-1)

### 智能体社会

多个智能体在共享环境中协商、合作与竞争。在 SOTOPIA 的困难社交任务中，GPT⁠-⁠4 的目标完成度为 4.85，人类为 6.15，差距仍然明显。[\[2\]](#ref-2)

我们的不同

## 不评出唯一的「最好」，帮你找到最适合你的模型

同一个模型，换一个角色、一类用户或一种场景，表现可能完全不同。SociaBench 的评测结果不是为了证明哪个模型更好，而是帮你找出哪个模型更适合你的产品、你的角色和你的用户。

01

### 多维度评估

不把能力压成一个总分。每项评测都给出分维度成绩与置信区间，你可以按自己在意的维度排序、筛选，把候选模型并排对比。

02

### 多角度对照

同一个模型在多项评测、不同语言与对话类型下的表现分开呈现；不同来源、不同裁判的结果分别标注，不混成一个数字。

03

### 交互式实验，由你来评估

在平台上直接与模型和用户模拟器对话、盲测比较，亲自判断哪个模型更适合你；你的判断也会成为评测中的真人参照。

评测方法

## 我们怎么评测

从一篇论文到排行榜上的一个分数，每项评测都走完同样的六步。

1.  1
    
    **选取基准**
    
    采用已发表论文或研究机构公开发布的评测，保留正式名称，注明原始作者与出处。
    
2.  2
    
    **依据复现**
    
    逐项确定设置：论文原文优先，其次是固定版本的官方实现、官方发布物，最后才是平台选择，并写明理由。
    
3.  3
    
    **交互运行**
    
    完整测试集，固定模型服务商与生成参数；多轮对话由用户模拟器驱动，每条原始输出都被保存。
    
4.  4
    
    **裁判评分**
    
    沿用原评测指定的裁判与评分规则；由平台重建的部分由不同家族的裁判独立评分、交叉核对。
    
5.  5
    
    **统计汇总**
    
    取整与汇总方式与官方程序一致；给出置信区间，区间重叠的差异不当作排名结论。
    
6.  6
    
    **公开发布**
    
    符合上榜条件的运行进入排行榜；复现报告公开方法、偏离、验证与局限。
    

专业与学术依据

## 每一个结论，都能被追溯、复算与同行检验

-   **每项设置都有出处**每个评测维护核查矩阵：每项设置在论文与官方代码中的位置、平台实现与结论逐行对应；提示词由脚本从源文件机械提取、逐字比对。
-   **协议带版本号**影响分数的改动都升级协议版本；每次运行保存协议、提示词与裁判配置快照，旧版本结果退出排行榜。
-   **上榜有门槛**只有当前协议版本、完整测试集、所需语言齐全、固定单一服务商的运行才能进入排行榜。
-   **与原始结果对照**选论文测过的模型按平台协议重跑，与论文数值比较；用官方程序复算平台保存的输出，逐值核对。
-   **按论文体例公开**复现报告包含摘要、方法、实现、验证、局限与参考文献，偏离逐条登记；发现错误公开更正。
-   **结论有据可查**只陈述有数据支撑的结论；提示词、协议与审计文件全部公开，供同行复核。

复现依据的优先级

1.  1**论文原文**正文、附录、表格标题与脚注；文字与数字矛盾时，取能复现数字的读法
2.  2**官方实现**固定版本的官方代码
3.  3**官方发布物**作者公开的数据、模型输出与评分
4.  4**平台选择**以上都未说明时才由平台决定，并写明理由

上一级已经说明的设置，下一级不能改写。

评测基础设施

## 我们正在建设 AI 社交智能领域的评测基础设施

标准化的评测基准与版本化协议、自动化评测实验室、用户与人群模拟器，以及人人可参与的交互式实验，共同构成这套基础设施。复现已有基准是第一层。在此之上，我们正在搭建交互式、立体化、以真人为锚的评测体系，并把模拟器与实验环境开放给每个人，在平台上亲手运行、亲眼判断。

### 智能体社交模拟空间

多个智能体在共享世界里长期生活、合作、谈判与冲突。我们既评测单个智能体，也评测群体中涌现的社会行为，以及模拟出的人群离真实人群有多远。

01

### 交互式评测

不再只让模型续写一句，而是让它与用户模拟器、其他角色真正演下去，在上百轮对话里检验记忆、一致性与推进。

02

### 立体化评测

同一段交互从三层看：结果是否真正达成（可程序校验）、过程中逐轮的失误与推进、真人的体验与偏好；误差按总体、分层与个体分别报告。

03

### 用户与人群建模

以真人对话与自述为锚构建用户模拟器和人群模型，与真人对照校准、跨模型家族复核，把「服从人设」与「像真人」分开度量。

04

### 亲手运行，亲眼判断

用户模拟器、人群模型与社交模拟空间都会开放在平台上：选好模型与人设，直接运行，实时看它们交谈与行动，直观判断像不像真人；你的判断也会成为评测中的真人参照。

平台模块

## 基础设施的三个入口

[**排行榜**各评测基准的模型表现：多榜单切换、分维度明细、模型对比与历史版本追踪。进入](https://sociabench.com/zh-CN/leaderboards) [**评测实验室**接入模型接口，配置评测基准，批量自动化测试，裁判交叉评分，生成结果分析与报告。进入](https://sociabench.com/zh-CN/lab) [**研究**评测标准、数据集来源、裁判配置、评分逻辑、统计方法、结果局限与评测版本。进入](https://sociabench.com/zh-CN/methodology)

## 参考文献

1.  \[1\][Park et al. LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. arXiv:2411.10109, Fig. 2](https://arxiv.org/abs/2411.10109)
2.  \[2\][Zhou et al. SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents. ICLR 2024, Tab. 3](https://arxiv.org/abs/2310.11667)

## 构建 AI 社交智能的评测基础设施

标准化评测、可复现协议与交互式实验，让每一次模型选择都有据可查。

[探索排行榜](https://sociabench.com/zh-CN/leaderboards) · [研究中心](https://sociabench.com/zh-CN/methodology)

---

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：https://sociabench.com/zh-CN