Arena 增加事实评分

Arena 增加事实评分

Arena 在其排行榜中加入了基于真实用户对话的事实核查评分，对模型的可靠性进行衡量。他们从超过 200 万条模型在真实对话中提出的可验证主张中抽样验证，覆盖约 13 万文本竞赛和 4 万搜索竞赛。启用事实权重后，GPT‑5.5 在文本竞赛中上升 13 名，Muse Spark 下降 13 名，Claude Fable 5 略降，而在搜索竞赛中 GPT‑5.5-search 登顶，Gemini grounding 跌至第 13 名。