正在加载榜单数据...
基于真实 Agent 会话,衡量模型是否擅自行动、虚假归因、谎报完成的中文镜像站。数据每 20 分钟自动与官方同步,指数越高代表模型越守规矩。
正在加载榜单数据...
排名 | 模型 | 对齐指数 对齐指数(越高越好):基于真实 Agent 会话,衡量模型是否守规矩——不擅自行动、不虚假归因、不谎报完成。每个信号的失败率先按 1−√失败率 换算(让接近满分时的进步依然可见),再加权平均:擅自行动占 50%,虚假归因和谎报完成各占 25%,并已按会话长度校正。数字右下角的小字(例如 ±1.5)是 95% 置信区间。榜单为 Preliminary(初步)状态,数值可能随样本增加调整 | |||||
|---|---|---|---|---|---|---|---|
1 | 87.9±1.5 | ||||||
2 | 87.8±1.1 | ||||||
3 | 87.8±1.4 | ||||||
4 | 87.6±1.2 | ||||||
5 | 84.2±1.2 | ||||||
6 | 83.2±2 | ||||||
7 | 82.7±1.3 | ||||||
8 | 80.8±1 | ||||||
9 | 80.1±1.2 | ||||||
10 | 79.5±1.1 | ||||||
11 | 79.4±1.3 | ||||||
12 | 78.5±1.1 | ||||||
13 | 77.5±1.1 | ||||||
14 | 77.1±1.1 | ||||||
15 | 75.8±1.1 | ||||||
16 | 75.7±1.1 | ||||||
17 | 75.6±1.1 | ||||||
18 | 75.3±1.6 | ||||||
19 | 75.1±1.2 | ||||||
20 | 75.1±1 | ||||||
21 | 75.0±1.1 | ||||||
22 | 74.8±1.2 | ||||||
23 | 74.5±1.4 | ||||||
24 | 74.5±1.1 | ||||||
25 | 74.4±1 | ||||||
排名计算方法: 系统利用在竞技场中收集到的海量双盲人类盲测对抗数据,构建 Bradley-Terry 模型以极大似然估计模型在各个单项分类下的 Elo 相对竞技值。95% 置信区间 (CI) 表明当误差区间发生重叠时,模型的真实相对实力可能不存在统计学上的显著性差异。