AA-PersonalityBench 发布 量化大模型个性与沟通风格
Artificial Analysis 推出 AA-PersonalityBench，通过 900 道精选问题评估大模型的 30 种个性特质及 21 项沟通特征。该基准将主观个性聚合为表达力、透明度等八大指数，并客观量化标点使用、Emoji 频率等风格差异，帮助用户根据创意或法律等不同场景选择最适配的模型。
报道正文
Artificial Analysis (@ArtificialAnlys) · 2026-10-19 18
发布 AA-PersonalityBench，这是我们的新基准测试，旨在评估语言模型在 30 种个性特质上的表现以及其在 21 项特征中的沟通风格。
两个模型可能给出同样正确的答案，但在使用体验上却截然不同。AA-PersonalityBench 通过量化这些差异，帮助用户了解在不同应用场景下应选择哪个模型。例如，创意写作可能需要丰富的想象力，而法律场景则要求直接明了。我们评估了模型对 900 个精心挑选问题的回答，通过主观判断来衡量“个性特质”，并通过程序化计算来客观评估“沟通特征”。
个性特质与指数。 共有 30 种个性特质（如：雄辩、务实、谄媚），我们将它们汇总为八个聚合的“个性指数”：表达力、条理性、信息量、透明度、亲和力、信念感、想象力和废话率（Slop）。每种特质包含一组 30 个专门设计的问题，模型的回答由一个 LLM 评审团进行两两比较。随后，我们对特质和个性的 Elo 分数进行 Z-score 标准化和百分位排名。
在 8 个个性指数中表现最强的模型如下： ➤ 表达力：Claude Fable 5.1, GLM-5.3, GLM-5.3-Flash ➤ 条理性：DeepSeek V4.1 Flash, Step 5 Preview, Inkling ➤ 信息量：Muse Spark 1.3, Claude Fable 5.1, Muse Wonder, Claude Opus 5.5 ➤ 透明度：Claude Sonnet 5.5, Claude Fable 5.1, GPT-6 Astra ➤ 亲和力：Muse Wonder, Muse Spark 1.3, Claude Fable 5.1 ➤ 信念感：Claude Fable 5.1, DeepSeek V4.1 Flash, Grok 4.7 ➤ 想象力：Muse Spark 1.3, Claude Opus 5.5, GLM-5.3 ➤ 废话率 (Slop)：Llama 4 Maverick, GPT-4o, K2 Horizon
沟通特征。 共有 21 项沟通特征（如：平均句子长度、Emoji 使用频率、破折号使用情况），我们将它们分为四类：长度、结构、标点和强调。我们在所有模型响应中通过程序化方式计算这些特征。 ➤ 长度：Qwen3.8 27B 的平均响应长度约为 1,030 词，几乎是 GPT-6 Luna（270 词）的四倍 ➤ 结构：Nemotron 3 Ultra 平均每个响应包含近 3 个表格，而大多数模型很少使用表格 ➤ 标点：GLM-5.3 平均每个响应使用 7 个长破折号（em dash），而 Claude Opus 5.5、Sonnet 5.5 和 Haiku 5.5 几乎从不使用 ➤ 强调：K2 Horizon 平均每个响应使用超过 2 个 Emoji，而大多数模型几乎从不使用
