聊天机器人排名：不同任务，不同的赢家

Chatbot Arena 的一个鲜为人知的功能是，它会根据类别（如数学、编程或创意写作）以及风格进行评分。

这意味着我们可以看到模型在某些任务上的“核心”性能。

我对探索某些实验室是否在“总体”评级中对各种任务的表现高估或低估感兴趣。结果老实说并不是我所期望的：

OpenAI 模型大多被低估（即，如果你查看单独的评级，它们会更强大）
xAI、Google、Meta、01（实验室，而不是模型）、Cohere、Nvidia 都被高估
DeepSeek、Mistral、阿里巴巴（Qwen 模型）被低估
人本主义模型结果更为混合 - 创意写作的高估结果相当有趣

提示：如果你想查看最佳模型，我建议查看“具有样式控制的困难任务” - Sonnet 3.6、o1-preview 和 Google-Exp-1121 并列第一 - 它更好地符合我对最佳模型的直觉。

请注意，中文版本是由 AI 辅助翻译的，因此可能存在细微错误。

作者

Ai Base Network (ABN), ABN ASIA由具有深厚学术背景的人员创立，他们在美国、荷兰、匈牙利、日本、韩国、新加坡和越南等国家有工作经验。ABN Asia是学术界和技术相遇的地方。凭借我们领先的解决方案和优秀的软件开发服务，我们帮助企业提升水平，走向全球舞台。我们的承诺：更快。更好。更可靠。在大多数情况下：也更便宜。

无论您需要IT服务、数字咨询、现成软件解决方案，还是想向我们发送招标要求（RFPs），都请随时与我们联系。您可以通过[email protected]与我们联系。我们随时准备为您提供所有技术需求的帮助。