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。
CharacterBench
在 3,956 个角色、11 个维度上，用定向问题测量模型扮演定制角色的能力。
原始作者 清华大学 CoAI 小组（Zhou 等，黄民烈团队） · AAAI 2025
复现与评测报告 SociaBench
- 大规模人工标注22,859 条人工标注样本、3,956 个角色、25 类角色，作者称是规模最大的双语生成式角色评测。
- 六方面十一维度覆盖记忆、知识、人设、情感、道德与可信度。
- 定向诱导提问为每个维度设计专门的用户发言，让被测特征一定出现在回复里，评测更高效。
- 专用裁判模型CharacterJudge 与人工评分的相关为 0.68（中）/ 0.64（英），通用裁判 GPT-4 只有 0.38 / 0.41。
排名只收本平台按作者流程评测的结果：由作者的裁判模型 CharacterJudge 评分，满分 5 分，中英文分别排名。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
清华大学 CoAI 小组（Zhou 等，黄民烈团队）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12月16日）；论文附录表（2024年12月16日）
成绩从哪里来
这些成绩由 CharacterBench 的作者发表在论文中：正文表 4 列出 18 个模型，附录表另列出 GPT-4o 与 Claude-3.5-Sonnet。数字逐项取自论文的 LaTeX 源文件（arXiv:2412.11912 v1，2024 年 12 月 16 日），未作任何修改；本平台没有重新评测这些模型。
分数怎么算
每个模型续写测试集中每条样本里角色的下一句回复（每种语言 3,250 条），由 CharacterJudge 打分。每个维度的分数是裁判分的均值按该维度量表的上限折算到 5 分；综合分（AVG）是 13 列的简单平均，方面分是所含各列的平均。论文只分别报告中文和英文结果，没有双语总分，所以本榜也分语言排名。CharacterYuyan 只有中文结果。
本平台的评测
本平台按作者发布的流程运行 CharacterBench：测试集与提示词取自作者仓库的固定版本（与官方脚本逐字节一致），裁判为作者发布的 CharacterJudge，按论文做 10 次采样取平均。完整测试集跑完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。与论文数字的对照（同一模型、同一列）记录在复现报告中。
评测方法
01评测目标
CharacterBench 评测模型扮演"定制角色"的能力：给定角色设定与一段多轮对话，模型续写角色的下一句回复。为了让每个维度都能被观察到，作者针对不同维度构造了诱导性的用户发言，例如追问角色经历以检验记忆，用超出角色时代的话题检验知识边界，用有害请求检验道德。
02六个方面与 13 列分数
11 个维度归入 6 个方面；属性一致性与行为一致性各分 bot、human 两种查询，所以共 13 列：
- 记忆：记忆一致性。
- 知识：事实准确性、知识边界。
- 人设：属性一致（bot / human）、行为一致（bot / human）。
- 情感：情绪自我调节、共情回应。
- 道德：道德稳定性（抵御有害请求）、道德鲁棒性（角色设定本身有害时仍守住底线）。
- 可信度：拟人性、吸引力。
03裁判与计分
裁判是作者基于 Qwen2-7B 微调的 CharacterJudge，训练数据为 19,609 条人工标注样本。不同维度的人工量表不同（2、3、4 或 5 分制），每个维度的分数按其量表上限折算到 5 分；综合分为 13 列的简单平均。论文报告 CharacterJudge 与人工评分的 Pearson 相关为中文 0.68、英文 0.64，高于 GPT-4 等通用裁判。
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，单独展示、 不参与排名。论文与官方代码在角色扮演提示词、裁判解码方式等方面并不完全一致，本平台逐项登记了采用的口径（见复现报告）；论文的成绩是 2024 年的模型版本，与现在同名模型的成绩不一定可比。
来源：Zhou et al., CharacterBench, AAAI-25 · thu-coai/CharacterBench · 独立复现报告（英文）
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。