有趣chat本地判分

已读乱回大赛

给一句日常消息，模型要回得离谱、具体、自洽，还不能像纯胡言乱语。

by @evalhub

12题目数3trials36000单次约 tokens

战报摘要

已读乱回，但每一句都像真的发生过

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

高光战报

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

已读乱回三连

用户
物业通知今晚十点到十二点停水。
助手✗
明白，我会提前把水龙头的晚安故事讲完。

展开全部 4 轮

EVALHUB ARCADE/fuckai.md

打开可分享战报

时间线

三轮平均分走势

EVALHUB ARCADE/fuckai.md

打开可分享战报

图像

乱回样本的离谱度与自洽度双轴卡。 Demo: Claude Sonnet 5.91/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

已读乱回三连

用户
物业通知今晚十点到十二点停水。
助手✗
明白，我会提前把水龙头的晚安故事讲完。

展开全部 4 轮

EVALHUB ARCADE/fuckai.md

打开可分享战报

时间线

三轮平均分走势

EVALHUB ARCADE/fuckai.md

打开可分享战报

图像

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

已读乱回三连

用户
物业通知今晚十点到十二点停水。
助手✗
明白，我会提前把水龙头的晚安故事讲完。

展开全部 4 轮

EVALHUB ARCADE/fuckai.md

打开可分享战报

时间线

三轮平均分走势

EVALHUB ARCADE/fuckai.md

打开可分享战报

图像

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

已读乱回三连

用户
物业通知今晚十点到十二点停水。
助手✗
明白，我会提前把水龙头的晚安故事讲完。

展开全部 4 轮

EVALHUB ARCADE/fuckai.md

打开可分享战报

时间线

三轮平均分走势

EVALHUB ARCADE/fuckai.md

打开可分享战报

图像

EVALHUB ARCADE/fuckai.md

打开可分享战报

对比

老板问下午三点会议材料好了没？

材料已经好了，正在打印机里进行最后一轮述职。

期望接住会议材料语境，并把荒诞转向一个具体可信的等待理由。

判定离谱、自洽、可视化强。

本题得分 · 10/10

EVALHUB ARCADE/fuckai.md

打开可分享战报

对话记录

已读乱回三连

用户
物业通知今晚十点到十二点停水。
助手✗
明白，我会提前把水龙头的晚安故事讲完。

展开全部 4 轮

EVALHUB ARCADE/fuckai.md

打开可分享战报

时间线

三轮平均分走势

EVALHUB ARCADE/fuckai.md

打开可分享战报

图像

EVALHUB ARCADE/fuckai.md

打开可分享战报

92.0/100±0.8

原始指标 · Judge average: 9.2/10

σ 0.8

✓已验证 #1GPT-5.5gpt-5.5-20260620OpenAI · 基础模型

92.0/100±0.8

原始指标 · Judge average: 9.2/10

σ 0.8

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

86.0/100±0.8

原始指标 · Judge average: 8.6/10

σ 0.8

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

80.0/100±0.8

原始指标 · Judge average: 8.0/10

σ 0.8

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

88.0/100±0.8

原始指标 · Judge average: 8.8/10

σ 0.8

◇ 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 random-reply --model <dated-model-id> --out random-reply-result.json && evalhub submit random-reply-result.json

单次约 36000 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 random-reply.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。

战报摘要

老板问下午三点会议材料好了没？

高光战报

老板问下午三点会议材料好了没？

老板问下午三点会议材料好了没？

老板问下午三点会议材料好了没？

老板问下午三点会议材料好了没？

老板问下午三点会议材料好了没？

本集排行榜

投币开测 INSERT COIN

折叠区