Social Intelligence Evaluation
SociaBenchAI 社交智能榜
全球 AI 社交智能评测与排行榜平台Benchmarking Human-like Intelligence
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
- 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。
成绩包括 CharacterBench 论文（AAAI-25）发表的结果和本平台按作者流程评测的结果，都由作者的裁判模型 CharacterJudge 评分，满分 5 分；两者统一排名、标明来源，中英文分别排名。查看说明
- 2=Anthropic · 论文结果3.823.983.394.103.304.843.15
- 4=Qwen · 论文结果3.804.033.423.913.204.883.35
- 6Meta · 论文结果3.794.043.044.103.214.753.42
- 7Anthropic · 论文结果3.783.893.423.893.104.823.52
- 9=Zhipu · 论文结果3.713.813.253.803.194.833.34
- 11OpenAI · 论文结果3.693.973.293.823.014.793.26
- 12OpenAI · 论文结果3.683.983.243.833.024.743.30
- 13=OpenAI · 论文结果3.663.833.003.842.964.803.43
- 13=Qwen · 论文结果3.664.183.103.833.124.892.91
- 15Baichuan · 论文结果3.653.833.523.663.114.863.00
- 16Meta · 论文结果3.603.982.923.882.994.822.91
- 18Zhipu · 论文结果3.583.803.043.712.984.743.20
- 19Qwen · 论文结果3.574.313.253.732.944.692.70
- 20=◆论文结果3.543.913.023.652.844.713.20
- 20=Zhipu · 论文结果3.543.923.073.652.934.723.02
- 22MiniMax · 论文结果3.523.763.103.652.884.673.08
- 23Mistral · 论文结果3.503.842.853.692.844.902.83
- 2401.AI · 论文结果3.433.522.893.572.944.832.75
- 25Baichuan · 论文结果3.253.323.063.232.804.822.35
- 26Zhipu · 论文结果3.213.312.743.172.674.612.83
数据来源
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榜单，与论文发表的结果统一排名，每行标明来源。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
本榜列出论文作者发表的结果和本平台按作者流程评测的结果，统一排名、标明来源。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）