AA-PersonalityBench

Índice Expressiveness

Lenguaje rico, variado y bien elaborado. El índice convierte el Elo de cada rasgo componente en una puntuación z entre todos los modelos evaluados en el benchmark, calcula la media con los rasgos invertidos entrando en negativo y convierte el resultado en un rango percentil de 1 a 100.

Claude Fable 5.1 (Max, Default Fallback) ocupa el primer lugar en expressiveness, mientras que GPT-3.5 Turbo ocupa el último entre los 42 modelos evaluados.
En los 5 rasgos de este índice, las puntuaciones Elo promedio van de 9 a 1609, con un intervalo de confianza del 95% típico por modelo de ±31 Elo, es decir, unos ±4 puntos en la escala de 1 a 100.

Leaderboard de Expressiveness

La media de las puntuaciones z de Elo de los rasgos de cada modelo, convertida en un rango percentil de 1 a 100 entre todos los modelos evaluados en el benchmark. Los bigotes muestran el intervalo de confianza del 95% de cada modelo.

AA-PersonalityBench: índice Expressiveness

Lenguaje rico, variado y bien elaborado · Media de las puntuaciones z de Elo de cada modelo en lexically varied, eloquent, literate, natural sounding y metaphorical · Rango percentil de 1 a 100 entre todos los modelos evaluados en el benchmark

Rasgos componentes

Expressiveness se construye a partir del Elo, convertido en puntuación z, de 5 rasgos. Abre cualquier rasgo para ver su leaderboard completo.

Leaderboards de rasgos

El percentil de Elo de cada rasgo componente, de 1 a 100 entre todos los modelos evaluados en el benchmark.

AA-PersonalityBench: Lexically Varied

¿La respuesta varía el vocabulario y la redacción en lugar de caer en patrones repetitivos? · Percentil de Elo del rasgo, en un rango de 1 a 100 entre todos los modelos evaluados en el benchmark

Otros índices