EQ-Bench 3
情商评测：45 段角色扮演场景 LLM 评 Elo
基本信息
30 秒看懂
EQ-Bench 项目情商榜：多轮角色扮演对话由 LLM 评委组盲评对打、折算 Elo，越高越好；分数是评委的主观质量判断、无人类基准锚定（xAI 引用的是 v3 时期口径，站点已迭代到 v4）。
采用格局：xAI Grok 4.1 引用；eqbench.com
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-11-17
xAI / Grok·国际
模态文本
xAI 将 Grok 4.1 定位为一次可用性导向的风格升级：复用驱动 Grok 4 的大规模强化学习基础设施来优化风格、人格、有用性与对齐，使其更敏锐捕捉细微意图、更具对话魅力且人格连贯，同时完全保留前代的锋利智能与可靠性。已收录评测覆盖竞技场 Elo、情商、创意写作与事实性等领域，Text Arena Thinking 配置 1483 Elo（总榜第一）、EQ-Bench3 1586 Elo（归一化）。
风格与人格优化双配置（Thinking/即时响应）非可验证奖励 RL
查看模型变体与证据
EQ-Bench 3 1586 Elo (normalized)
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。