評価の出典公式の評価
Arena Creative Writing
LMArena · 人間が物語、詩、その他の創作的表現をブラインドで選び、作品が読者を引きつけるかを観察する。
News での扱い順位に反映
根拠の配分5%
元データの時点11/11 08:00
最後に同期に成功11/16 02:05
何をどう測るか
公式データセットtext_style_controlのcreative_writing分類を読み、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ライティング分類の成績は借用しない。
この根拠の使い方
正式に採点。従来の人間の嗜好10%から5%を分割し、全体テキストは5%を維持し、総予算は増やさない。他の Arena タスクと証拠ファミリーを共有する。
評価結果
固定ルールに従い、各公開モデルは代表的な構成を1つ採用する。匿名テスト型番は表示せず、元のランキング順位を保持し、各項目は最大30件。
| 元の順位 | 元のモデル名 | 元のスコア | 代表的な設定 |
|---|---|---|---|
| 1 | Gemini 4 Argon (High)Google | 1,522.5 | High 推論 |
| 2 | Claude Opus 5.5 (High)Anthropic | 1,517.1 | High 推論 |
| 3 | Gemini 4 Carbon (High)google | 1,516.1 | High 推論 |
| 4 | Claude Fable 5 (High)Anthropic | 1,501.2 | High 推論 |
| 5 | Claude Opus 4.6 (High)Anthropic | 1,498.5 | High 推論 |
| 6 | Gemini 4 Hydrogen (High)google | 1,491.8 | High 推論 |
| 7 | Muse Wonder (Max)meta | 1,491.3 | Max 推論 |
| 8 | Claude Fable 5.1 (Max)Anthropic | 1,490.4 | Max 推論 |
| 9 | Claude Opus 4.7 (High)Anthropic | 1,489.4 | High 推論 |
| 10 | Gemini 3.8 Flash (High)Google | 1,488.3 | High 推論 |
| 11 | Gemini 3.7 Flash (High)Google | 1,487 | High 推論 |
| 12 | Gemini 3 ProGoogle | 1,484.1 | 情報源のデフォルト構成 |
| 14 | Gemini 3.1 Pro PreviewGoogle | 1,481.7 | 情報源のデフォルト構成 |
| 16 | Claude Opus 5 (Max)Anthropic | 1,473.3 | Max 推論 |
| 17 | Qwen3.8-MaxAlibaba | 1,471.5 | 情報源のデフォルト構成 |
| 18 | Gemini 3.6 Flash (High)Google | 1,471.3 | High 推論 |
| 19 | GPT-5.6 Sol (xHigh)OpenAI | 1,471 | xHigh 推論 |
| 21 | Claude Opus 4.8 (High)Anthropic | 1,469.9 | High 推論 |
| 23 | Claude Opus 4.5 (High, 32K, 20251101)Anthropic | 1,468.9 | High 推論 |
| 24 | Muse Spark 1.3 (Max)Meta | 1,467.9 | Max 推論 |
| 25 | Gemini 3.5 Flash (High)Google | 1,465.3 | High 推論 |
| 26 | Muse SparkMeta | 1,464.3 | 情報源のデフォルト構成 |
| 27 | Grok 4.20 Beta 1xAI | 1,464.2 | 情報源のデフォルト構成 |
| 29 | Claude Sonnet 5.5 (xHigh)anthropic | 1,463.7 | xHigh 推論 |
| 31 | Kimi K3 (Max)Moonshot AI | 1,459.1 | Max 推論 |
| 32 | Gemini 3 FlashGoogle | 1,456.3 | 情報源のデフォルト構成 |
| 33 | GLM-5.3 (Max)Z.ai | 1,455.8 | Max 推論 |
| 35 | GPT-5.5 InstantOpenAI | 1,454.3 | 情報源のデフォルト構成 |
| 36 | Kimi K3.1 Pro (Max)moonshot | 1,453.1 | Max 推論 |
| 37 | Grok 4.5xAI | 1,451.5 | 情報源のデフォルト構成 |
評価の限界とデータの出典
オープンユーザープロンプトは分類器で分類され、すべてが長編小説や中国語創作ではない。投票には個人の選好が含まれる。Arena全体のテキストおよび職業ライティング分類と重複し、追加の独立機関とはできない。
データのライセンス:CC BY 4.0 · Arena 公式 Hugging Face leaderboard-dataset。帰属表示、出典リンクを保持し、集計の変更を説明。
スコアは LMArena が公開。元のスコアと News のコンセンサススコアは尺度が異なるため、直接合算できない。