評価ソース公式サイト
Creative Writing v3
EQ-Bench · 短編の創作と表現
AIサイシン での扱いランキング採用
配分3.6%
元データの日時09/24 16:57
最終同期10/24 02:22
何を、どう測るか
公式 CSV はデータスクリプトに埋め込まれており、Elo を採用する。勝敗は Sonnet 4.6 が判定し、スタイル、反復率、rubric は二重計上しない。
当サイトでの使い方
正式に採点する。2 つの文章系ランキングで合計 6% を占め、問題数やモデル数に応じて重みを増やさない。
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 | gpt-6-astraOpenAI | 2,173.3 | ソース既定の構成 |
| 2 | claude-fable-5-1Anthropic | 2,162 | ソース既定の構成 |
| 3 | claude-opus-5Anthropic | 2,132.6 | ソース既定の構成 |
| 4 | gpt-6-solOpenAI | 2,124.7 | ソース既定の構成 |
| 5 | kimi-k3Moonshot AI | 2,082.3 | ソース既定の構成 |
| 6 | GLM-5.3Z.ai | 2,075 | ソース既定の構成 |
| 7 | claude-opus-5-5Anthropic | 2,050.1 | ソース既定の構成 |
| 8 | grok-4.7xAI | 2,006.7 | ソース既定の構成 |
| 9 | ox-alpha— | 1,971.7 | ソース既定の構成 |
| 10 | gpt-5.6-solOpenAI | 1,971.6 | ソース既定の構成 |
| 11 | claude-fable-5Anthropic | 1,943.1 | ソース既定の構成 |
| 12 | aion-3.5aion-labs | 1,929.3 | ソース既定の構成 |
| 13 | muse-spark-1.1Meta | 1,927.1 | ソース既定の構成 |
| 14 | claude-opus-4-7Anthropic | 1,914.3 | ソース既定の構成 |
| 15 | Altworld/Hemmingway-1— | 1,906.4 | ソース既定の構成 |
| 16 | muse-spark-1.3Meta | 1,905.9 | ソース既定の構成 |
| 17 | gpt-5.6-terraOpenAI | 1,854.9 | ソース既定の構成 |
| 18 | gpt-5.5OpenAI | 1,843.9 | ソース既定の構成 |
| 19 | Qwen/Qwen3.8-2.4T-A95BAlibaba | 1,842.5 | ソース既定の構成 |
| 20 | muse-spark-1.2Meta | 1,840.4 | ソース既定の構成 |
| 21 | claude-opus-4-8Anthropic | 1,839.8 | ソース既定の構成 |
| 22 | gpt-5.4OpenAI | 1,839.7 | ソース既定の構成 |
| 23 | gpt-5.6-lunaOpenAI | 1,828.7 | ソース既定の構成 |
| 24 | claude-sonnet-4-6Anthropic | 1,810.4 | ソース既定の構成 |
| 25 | claude-opus-4-6Anthropic | 1,809.1 | ソース既定の構成 |
| 26 | meta-models/Muse-Glimmer-30BMeta | 1,798.3 | ソース既定の構成 |
| 27 | claude-sonnet-5Anthropic | 1,794 | ソース既定の構成 |
| 28 | space-bunny-alphastealth | 1,784.3 | ソース既定の構成 |
| 29 | zai-org/GLM-5.2Z.ai | 1,756.5 | ソース既定の構成 |
| 30 | gemini-3.8-flashGoogle | 1,747.9 | ソース既定の構成 |
評価の限界とデータの出典
英語の文章が中心で、モデル審査員に依存する。同じ審査員と関連タスクは予算を共有する。中国語の文章力を表すものではない。
データライセンス：MIT · EQ-bench-site README のメタデータ記載
成績は EQ-Bench 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。