本文へ移動
評価の出典

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。

公式の評価
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
1Gemini 4 Argon (High)Google1,522.5High 推論
2Claude Opus 5.5 (High)Anthropic1,517.1High 推論
3Gemini 4 Carbon (High)google1,516.1High 推論
4Claude Fable 5 (High)Anthropic1,501.2High 推論
5Claude Opus 4.6 (High)Anthropic1,498.5High 推論
6Gemini 4 Hydrogen (High)google1,491.8High 推論
7Muse Wonder (Max)meta1,491.3Max 推論
8Claude Fable 5.1 (Max)Anthropic1,490.4Max 推論
9Claude Opus 4.7 (High)Anthropic1,489.4High 推論
10Gemini 3.8 Flash (High)Google1,488.3High 推論
11Gemini 3.7 Flash (High)Google1,487High 推論
12Gemini 3 ProGoogle1,484.1情報源のデフォルト構成
14Gemini 3.1 Pro PreviewGoogle1,481.7情報源のデフォルト構成
16Claude Opus 5 (Max)Anthropic1,473.3Max 推論
17Qwen3.8-MaxAlibaba1,471.5情報源のデフォルト構成
18Gemini 3.6 Flash (High)Google1,471.3High 推論
19GPT-5.6 Sol (xHigh)OpenAI1,471xHigh 推論
21Claude Opus 4.8 (High)Anthropic1,469.9High 推論
23Claude Opus 4.5 (High, 32K, 20251101)Anthropic1,468.9High 推論
24Muse Spark 1.3 (Max)Meta1,467.9Max 推論
25Gemini 3.5 Flash (High)Google1,465.3High 推論
26Muse SparkMeta1,464.3情報源のデフォルト構成
27Grok 4.20 Beta 1xAI1,464.2情報源のデフォルト構成
29Claude Sonnet 5.5 (xHigh)anthropic1,463.7xHigh 推論
31Kimi K3 (Max)Moonshot AI1,459.1Max 推論
32Gemini 3 FlashGoogle1,456.3情報源のデフォルト構成
33GLM-5.3 (Max)Z.ai1,455.8Max 推論
35GPT-5.5 InstantOpenAI1,454.3情報源のデフォルト構成
36Kimi K3.1 Pro (Max)moonshot1,453.1Max 推論
37Grok 4.5xAI1,451.5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。