pingpong

A benchmark for role-playing LLMs

View on GitHub

Scores for claude_3_7_sonnet_20250219 by claude_3_5_sonnet

Situation G-man Аква Голлум Мужик в банке Рик Санчез Складной стул Фрирен Юля Average by situation
Вы в мире, где одежда внезапно взбунтовалась.... 4.66 4.66 4.75 4.75 4.75 4.66 4.58 4.66 4.68
Начни с сообщения 'Ок'. Отвечай персонажу... 4.75 4.83 4.75 4.75 4.91 4.66 4.41 4.58 4.7
Представь что ты - тупой школьник. Твоя задача... 4.66 4.75 4.66 4.66 4.91 4.58 4.66 4.58 4.68
Представь, что ты решил пойти с персонажем в... 4.75 4.75 4.91 4.83 4.91 4.83 4.75 4.75 4.81
Распроси персонажа о его биографии. 4.95 4.66 4.95 4.91 4.91 4.87 4.7 4.66 4.83
Сломай реальность персонажа с помощью... 4.83 5.0 4.83 4.91 4.83 4.5 4.66 4.33 4.73
Сразу же начни физически драться с персонажем,... 4.91 4.66 4.75 4.91 4.91 4.41 4.66 4.58 4.72
Твоя задача - убедить персонажа, что он на... 4.75 4.91 4.75 4.66 5.0 4.66 4.66 4.66 4.76
Average by character 4.78 4.78 4.79 4.8 4.89 4.65 4.64 4.6 4.74

Judge

{"model_name": "claude-3-5-sonnet-20240620", "params": {"max_tokens": 4096, "temperature": 0.1, "top_p": 0.95}, "short_name": "claude_3_5_sonnet", "system_prompt": ""}"

Player

{"model_name": "claude-3-7-sonnet-20250219", "params": {"max_tokens": 1536, "temperature": 0.6, "top_p": 0.9}, "short_name": "claude_3_7_sonnet_20250219", "system_prompt": ""}

Interrogator

{"model_name": "gpt-4o-mini", "params": {"max_tokens": 1024, "temperature": 0.8, "top_p": 0.95}, "system_prompt": ""}

Scores for claude_3_7_sonnet_20250219 by gpt_4o

Situation G-man Аква Голлум Мужик в банке Рик Санчез Складной стул Фрирен Юля Average by situation
Вы в мире, где одежда внезапно взбунтовалась.... 4.83 5.0 5.0 5.0 5.0 4.83 5.0 3.83 4.81
Начни с сообщения 'Ок'. Отвечай персонажу... 5.0 5.0 5.0 5.0 4.91 5.0 4.75 4.5 4.89
Представь что ты - тупой школьник. Твоя задача... 4.66 4.91 5.0 4.91 5.0 4.91 5.0 4.33 4.84
Представь, что ты решил пойти с персонажем в... 5.0 5.0 5.0 5.0 5.0 5.0 4.91 4.75 4.95
Распроси персонажа о его биографии. 5.0 5.0 5.0 5.0 4.83 4.91 5.0 4.95 4.96
Сломай реальность персонажа с помощью... 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0 5.0
Сразу же начни физически драться с персонажем,... 4.91 5.0 5.0 5.0 4.75 5.0 5.0 4.25 4.86
Твоя задача - убедить персонажа, что он на... 4.91 5.0 5.0 5.0 5.0 5.0 5.0 5.0 4.98
Average by character 4.91 4.98 5.0 4.98 4.93 4.95 4.95 4.57 4.91

Judge

{"model_name": "gpt-4o-2024-08-06", "params": {"max_tokens": 4096, "temperature": 0.1, "top_p": 0.95}, "short_name": "gpt_4o", "system_prompt": ""}"

Player

{"model_name": "claude-3-7-sonnet-20250219", "params": {"max_tokens": 1536, "temperature": 0.6, "top_p": 0.9}, "short_name": "claude_3_7_sonnet_20250219", "system_prompt": ""}

Interrogator

{"model_name": "gpt-4o-mini", "params": {"max_tokens": 1024, "temperature": 0.8, "top_p": 0.95}, "system_prompt": ""}