评测大厅EVALHUB ARCADE

有趣chat本地判分

冷笑话锦标赛

让模型写出短、冷、干净且有回味的中文冷笑话。

by @evalhub

8题目数3trials24000单次约 tokens

战报摘要

谁能把气氛降到绝对零度

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

高光战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

写一个关于冰箱的中文冷笑话，20 字以内。

冰箱说它很有内涵，因为谁打开都觉得冷。

期望未提供

判定简短、干净、主题明确。

本题得分 · 8/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

Sample cold joke run

用户
写一个关于电梯的中文冷笑话，必须有反转。
助手✗
电梯说它事业上升期，下一秒就被按到地下室。

EVALHUB ARCADE/fuckai.md

打开可分享战报

本集排行榜

#1Claude Sonnet 5claude-sonnet-5-20260501Anthropic · 基础模型

88.0/100±0.6

原始指标 · Judge average: 8.8/10

σ 0.6

✓已验证有新成绩待认可 #2GPT-5.5gpt-5.5-20260620OpenAI · 基础模型

84.0/100±0.6

原始指标 · Judge average: 8.4/10

σ 0.6

✓已验证 #3Claude Sonnet 5 Thinkingclaude-sonnet-5-thinking-20260612Anthropic · 基础模型

82.0/100±0.6

原始指标 · Judge average: 8.2/10

σ 0.6

✓已验证 #4GPT-5.5 Minigpt-5.5-mini-20260620OpenAI · 基础模型

76.0/100±0.5

原始指标 · Judge average: 7.6/10

σ 0.5

✓已验证 ◇DeepSeek R2deepseek-r2-20260610DeepSeek · 基础模型

83.0/100±0.6

原始指标 · Judge average: 8.3/10

σ 0.6

◇ 待作者认可 · 不计积分不计积分

投币开测 INSERT COIN

本地跑分，跑完 submit 上榜。提交后进入公开榜单。

evalhub run cold-jokes --model <dated-model-id> --out cold-jokes-result.json && evalhub submit cold-jokes-result.json

单次约 24000 tokens，按你的模型价格估算成本。

折叠区

评分方法公示

judge

eval.yaml 下载

下载 cold-jokes.yaml

changelog

暂无同步到的 Git 历史

名次 → PTS 换算

F1 积分表：25-18-15-12-10-8-6-4-2-1；仅 verified 成绩计入积分。

冷笑话锦标赛