EQ-Bench medium
online-leaderboardgeneralemotional-intelligencetext
2023 · https://eqbench.com/ · freshness: fresh live leaderboard;EQ-Bench 3 当前主榜,LLM-judge + Elo,持续加入新模型。
专家判语 Expert verdict medium
人工署名(chenhao)。值得回答: 情商/共情是否值得在 MoA 里作为一个独立选型维度, 还是被通用对话质量涵盖(r≈0.97 与 MMLU)? 若场景分前台、后台，则可以成为独立选型。 默认 Claude 当 judge 的自偏好风险, 会不会让你在给 Claude 系模型选型时打折看待它的排名? 不会，只要该榜单有名、更新率高、模型全、自动评判者与专家一致性好。 独立研究者维护 (无机构背书) 对"可信度"是加分还是减分?
— 署名 chenhao · 2026-06-17
它是什么 Agent summary 事实 · AI 整理
EQ-Bench 是一份专门测 AI 情商（EQ）的基准测试,也就是给 AI 出的一套标准考卷（benchmark）,看它在理解人的情绪上表现如何。它由独立研究者 Samuel J. Paech 提出（arXiv 2312.06281,2023 年 12 月）,也是本项目最初的任务说明里点名的例子:一个常更新、引用率高、多个模型同台在线比拼的情商榜。
最早的版本让模型读一段对话,然后预测里面角色的情绪有多强烈（约 60 道英文题）,结果稳定、容易复现。有意思的是,它的分数跟另一份通用知识考卷 MMLU 的分数几乎同涨同跌（相关系数 r≈0.97,意思是两个分数高度同步,很可能在测同一种能力）,这说明它测到的很大程度上是 AI 的总体聪明程度,而不只是情商。
现在的主榜是 EQ-Bench 3（挂在 eqbench.com 上）,改成了两种新题:多轮角色扮演（roleplay,让模型扮演角色对话）和文稿分析。打分的不是人,而是另一个 AI 充当“阅卷老师”（LLM judge,即 LLM 评判）,按一份评分标准给分。默认用的阅卷 AI 是 Claude（先用 Sonnet 3.7,正式跑榜的成绩用 Opus 4.6,也可以换成任意 OpenAI 兼容的接口）。最后用 Elo 来排名,Elo 是借用棋类等级分的算法,按两两对战的胜负折算出分数（归一化后 o3=1500、llama-3.2-1b=200）。同一个网站上还挂着创意写作、长篇创意写作、阅卷 AI 校准（Judgemark）等几个姊妹榜。
它的价值在于补上了一个少见、又一直更新的维度:情感和社交能力,而大多数榜单只看答得对不对。但用它时要留意两点。第一,负责打分的是 AI（默认是 Claude）,可能存在模型家族自偏好,也就是评判 AI 倾向给自家同门的模型打高分。第二,它跟 MMLU 高度相关,意味着高分可能更多反映的是 AI 的通用能力,而不是单纯的情商。
① 权威 Authority
学术/机构/引用
| 维护方 maintainers | Samuel J. Paech （独立研究者） |
|---|---|
| 机构数 institutions | 0 |
| 更新节奏 cadence | live |
| 在线榜 online | 是 |
引用
- EQ-Bench: An Emotional Intelligence Benchmark for Large Language Models (Paech, 2023) · 2026-06-17
- EQ-Bench Leaderboard (eqbench.com) · 2026-06-17
- EQ-Bench 3 — code (EQ-bench/eqbench3) · 2026-06-17
② 人气 Popularity
≠ 质量
HF Space③ 能力 Capability
榜内排名
无榜内排名（本身不是排名榜 / 数据集）。
拿它挑模型用（MoA 选型输入）
如果你要把几个模型搭成团队,这里是从这个榜能取到的参考
能力轴 emotional-intelligenceempathy-social-reasoningroleplay
模态 text 部署 apiopen-weights
适合 recommended for
- 为对共情/情感/角色扮演要求高的对话场景挑模型
- 一个常更新、多模型在线的情商榜（原始 brief 点名的例子）
注意 caveats
- EQ-Bench 3 用 LLM-judge（默认 Claude)——评判可能带模型家族自偏好,给 Claude 系打分时尤需注意
- 原始版与 MMLU 相关 r≈0.97,可能更多在测通用智能而非纯情商
- 由独立研究者维护,无机构背书——权威靠透明方法与高引用,而非机构