传记原子事实核对（长文事实精度与幻觉）
长文事实精度：把生成文本拆成原子事实、按被可靠知识源支持的比例计分（越高越好）；以人物传记为测试场景，发布时 ChatGPT 仅 58%——衡量幻觉率的经典细粒度口径。
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。
共收录 2 场模型发布（收录 7 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
xAI / Grok·国际
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）。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
GPT-5 是 OpenAI 的统一思考模型，发布文称其在 AIME 2025（无工具 94.6%）、SWE-bench Verified 74.9%、HealthBench Hard 46.2% 等刷新 SOTA，并大幅降低事实错误与谄媚率。评测覆盖竞赛数学、编码、指令跟随与代理、多模态与健康：GPQA Diamond 88.4%、MMMU 84.2%、BrowseComp 54.9%。
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。
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。