評価ソース公式サイト
Arena Creative Writing
LMArena · 物語、詩などの創作表現を人間がブラインドで比べ、作品が読者を引きつけるかを見る。
AIサイシン での扱いランキング採用
配分5%
元データの日時10/22 09:00
最終同期10/24 02:22
何を、どう測るか
公式データセット text_style_control の creative_writing カテゴリを読み込み、スタイル制御後の Bradley-Terry スコアと信頼区間を採用する。全体テキストや職業的文章のカテゴリ成績は流用しない。
当サイトでの使い方
正式に採点する。従来の人間選好 10% から 5% を切り出し、全体テキストに 5% を残すため、総予算は増えない。他の Arena タスクと証拠ファミリーを共有する。
評価成績
一定のルールに従い、公開モデルごとに代表的な構成を一つ採用する。匿名のテスト版モデルは表示せず、元の順位をそのまま残す。各項目最大 30 件。
| 元の順位 | モデル名 | 元スコア | 代表構成 |
|---|---|---|---|
| 1 | Claude Opus 5.5 (High)Anthropic | 1,519.6 | High 推論 |
| 2 | Gemini 4 Argon (High)Google | 1,512.4 | High 推論 |
| 3 | Claude Fable 5 (High)Anthropic | 1,500.5 | High 推論 |
| 4 | Claude Opus 4.6 (High)Anthropic | 1,499.5 | High 推論 |
| 5 | Muse Wonder (Max)Meta | 1,492 | Max 推論 |
| 6 | Gemini 3.7 Flash (High)Google | 1,491.6 | High 推論 |
| 7 | Claude Opus 4.7 (High)Anthropic | 1,489.1 | High 推論 |
| 8 | Claude Fable 5.1 (Max)Anthropic | 1,486.6 | Max 推論 |
| 9 | Gemini 3.8 Flash (High)Google | 1,485.1 | High 推論 |
| 10 | Gemini 3 ProGoogle | 1,484.9 | ソース既定の構成 |
| 12 | Gemini 3.1 Pro PreviewGoogle | 1,480.7 | ソース既定の構成 |
| 14 | Claude Opus 5 (Max)Anthropic | 1,473.8 | Max 推論 |
| 15 | Gemini 3.6 Flash (High)Google | 1,471.4 | High 推論 |
| 17 | GPT-5.6 Sol (xHigh)OpenAI | 1,469.8 | xHigh 推論 |
| 18 | Claude Opus 4.5 (High, 32K, 20251101)Anthropic | 1,469.4 | High 推論 |
| 19 | Claude Opus 4.8 (High)Anthropic | 1,469.2 | High 推論 |
| 21 | Qwen3.8-MaxAlibaba | 1,467.7 | ソース既定の構成 |
| 22 | Claude Sonnet 5.5 (xHigh)Anthropic | 1,466.3 | xHigh 推論 |
| 23 | Muse SparkMeta | 1,464 | ソース既定の構成 |
| 24 | Gemini 3.5 Flash (High)Google | 1,463.8 | High 推論 |
| 25 | Grok 4.20 Beta 1xAI | 1,463.6 | ソース既定の構成 |
| 26 | Muse Spark 1.3 (Max)Meta | 1,463 | Max 推論 |
| 28 | Kimi K3 (Max)Moonshot AI | 1,461.6 | Max 推論 |
| 30 | Gemini 3 FlashGoogle | 1,457 | ソース既定の構成 |
| 31 | GLM-5.3 (Max)Z.ai | 1,456.2 | Max 推論 |
| 32 | GPT-5.5 InstantOpenAI | 1,454.9 | ソース既定の構成 |
| 34 | GPT-6.1 Sol (Max)OpenAI | 1,453 | Max 推論 |
| 35 | GLM-5.2 (Max)Z.ai | 1,452.8 | Max 推論 |
| 36 | Grok 4.5xAI | 1,451.6 | ソース既定の構成 |
| 37 | GPT-5.5 (High)OpenAI | 1,451.5 | High 推論 |
評価の限界とデータの出典
一般ユーザーの自由なプロンプトを分類器で振り分けたもので、すべてが長編小説や中国語の創作というわけではない。投票には個人の好みが含まれる。Arena の全体テキストや職業的文章のカテゴリと重なりがあり、追加の独立機関としては扱えない。
データライセンス：CC BY 4.0 · Arena 公式 Hugging Face leaderboard-dataset。出典表示とソースへのリンクを残し、集計上の変更を明記する。
成績は LMArena が公表したもの。元のスコアと AIサイシン のコンセンサス指数は尺度が異なり、そのまま比較・合算はできない。