Artificial Analysis 推出 AA-PersonalityBench，给大模型测性格

我们发布 AA-PersonalityBench，这是一个全新的基准，用于衡量语言模型在 30 项人格特质上的表现，以及它们在 21 项特征上的沟通风格。

两个模型可能给出同样正确的答案，但用起来的感受却截然不同。AA-PersonalityBench 正是用来衡量这些差异，帮助人们了解在不同使用场景下该选用哪个模型。比如创意写作这类场景可能需要想象力，而法律场景可能需要直接明了。

我们评估模型对 900 道精选问题的回答，以此评判主观的人格特质，并用程序化方法计算客观的沟通特征。

人格特质与指数。共有 30 项人格特质（例如雄辩、务实、谄媚），我们将其归纳为 8 个聚合人格指数：表达力、条理性、信息丰富度、透明度、亲和力、坚定性、想象力和废话程度。

每项特质配有 30 道专属问题，由一组 LLM 评委对模型的回答进行两两比较。然后我们对特质和人格的 Elo 分数进行 z 分数标准化和百分位排名。

在 8 个人格指数中表现最强的模型：
➤ 表达力：Claude Fable 5.1、GLM-5.3、GLM-5.3-Flash
➤ 条理性：DeepSeek V4.1 Flash、Step 5 Preview、Inkling
➤ 信息丰富度：Muse Spark 1.3、Claude Fable 5.1、Muse Wonder、Claude Opus 5.5
➤ 透明度：Claude Sonnet 5.5、Claude Fable 5.1、GPT-6 Astra
➤ 亲和力：Muse Wonder、Muse Spark 1.3、Claude Fable 5.1
➤ 坚定性：Claude Fable 5.1、DeepSeek V4.1 Flash、Grok 4.7
➤ 想象力：Muse Spark 1.3、Claude Opus 5.5、GLM-5.3
➤ 废话程度：Llama 4 Maverick、GPT-4o、K2 Horizon

沟通特征。共有 21 项沟通特征（例如平均句长、emoji 使用、破折号使用），我们将其分为四类：长度、结构、标点和强调。我们通过程序化方式在所有模型的回答中计算这些特征。

➤ 长度：Qwen3.8 27B 平均每条回答约 1030 个词，几乎是 GPT-6 Luna（270 个词）的四倍
➤ 结构：Nemotron 3 Ultra 平均每条回答近 3 个表格，而大多数模型很少使用表格
➤ 标点：GLM-5.3 平均每条回答使用 7 个破折号，而 Claude Opus 5.5、Sonnet 5.5 和 Haiku 5.5 几乎从不使用
➤ 强调：K2 Horizon 平均每条回答使用超过 2 个 emoji，而大多数模型几乎从不使用