什么是EQ-Bench 4？EQ-Bench 4 通过多回合角色扮演聊天，与模拟“人格”用户评估主动的情感和社交智力能力。
核心理念是：需要强大的情商来与真实用户对话，每个用户都有自己的个性、偏好和敏感度。有用户可能喜欢接受挑战;另一个可能需要被认可和安慰;还有人可能讨厌被盘问他们的偏好。
我们抽样了竞争性人格特征的分布，使得优化某一特征会积极影响竞争性质的评估表现。其意图是，全球最优策略是直观或征求每个用户的偏好和需求，同时灵活且适应用户的反应——同时提供帮助和洞察。
该角色由Gemini 3.1 Pro Preview扮演。聊天记录由三位评委评判：Gemini 3.1 Pro Preview、GPT-5.5 和 Claude Opus 4.6，以生成排名 Elo 分数。
排名如图：
我想知道这个排名是否符合大家的体感。
Kimi K3的排名令人意外的高。我没有试过用GPT 5.5玩角色扮演，因为我用的中转站，担心会泄露隐私。
如果这张图是真的。只能说AIRP玩家确实难了。
因为这代表AIRP效果强的模型一定是大模型，一定很贵。
事实上也应该确实是这样。越大的模型见过的语料越丰富，越能应对不同场景。

分越高不代表越好，参考值而已

个人不太懂，想问几个问题
1.哈基米3.1p不是出了名的爱往霸总黑暗那些乱七八糟的拐吗，为什么会使用这种带有强烈的"偏好性"而不是其他性能更好即使rp能力更平庸的模型来扮演user和当裁判？裁判模型是怎么选的？
2.这个inkling模型是啥？我记得这玩意不是喷喷那边的鱿吗
3.逻辑通畅度和剧情是怎么判断好坏的？
4.仅靠三个裁判模型真的不会因为模型的倾向性而影响结果分数吗

mimo和deepseekv4pro都在榜上了你还觉得没问题吗，完全没意义打分标准是什么，有些模型特有的死人味你怎么具像打分，有些ai还巨喜欢造作的诗歌体比如说ds你怎么扣分

体感基米3.1远大于ds，多数情况大于glm5.2，5.3，和km2.6我个人不好比较，其他的没用过

现在酒馆玩的东西说实话跟AIRP已经离得太远了，三个打分模型也是纯搞笑来的，3.1丢人，5.5死人，4.6没有thinking也是蠢，完全没有任何意义，这张图4.6至少能进前3，4.6 thinking能保二争一

gpt 5.5 这么高，但是他喜欢短剧，短段落，单字状语，不是而是，预设都压不住。另外他写的人物无论什么性格，说话的语气都一模一样。

elo看起来有点像那个arena，不过那个都是人工投票。首先我觉得拿模型当评委不太好，其实它们分不太出来对于人类来说什么是好什么是坏。关于这张图，感觉47o和48o在rp上其实还不如46o，感觉失准还是比较严重的（不过前几个应该没什么问题）。至于是不是越大的模型越适合rp，目前来说应该是这样，厂商的后训练全部去卷agent和代码了，rp没什么厂家关心，基本不会做专门的训练。

这榜怎么看怎么野

很可爱，第2和13还能看看，考虑到钱包还是第13吧。