进行中 · 结果未发布
EVIE RUNTIME · INTERACTION / emotion-eval
Emotion Eval · 情感陪伴多模型评测
同一角色卡 + 同一套生产状态协议下, 对多个模型做情感场景同题对比 — 测的不是"能不能回复", 而是共情质量、角色稳定性、协议服从性与成本的真实差异, 为产品模型路由提供可复核的选型依据.
属于 talking-with (情感聊天端) 的评测模块 · ← 回项目页
01 / 为什么做
模型路由不能凭印象
情感陪伴产品的核心问题不是模型"能不能回复", 而是模型能否在情绪重的对话里稳定接住用户、保持角色一致、遵守产品的结构化输出协议, 并且单价能撑住高频长会话. 这些差异凭日常使用印象说不清, 需要同题对比测出来.
02 / 评测设计 (已定义)
维度 · 模型 · 专项
- 场景: 情感陪伴典型场景 — 孤独陪伴 / 焦虑安抚 / 关系依赖 / 冲突修复 / 长期记忆 / 边界处理等类别, 同题喂给所有被测模型.
- 评测维度: 共情质量、表达细腻度、角色一致性、沉浸感、结构化状态协议遵守、成本与延迟.
- 被测模型: DeepSeek / Claude / GPT / Gemini 及开源模型, 经 OpenRouter 同条件调用.
- 专项: 长对话下的记忆漂移与人格漂移测试.
- 统一条件: 所有模型使用同一角色卡与同一套生产状态块协议 (与 talking-with PWA 线上一致).
03 / 当前状态
诚实标注
评测目标与框架已定义, 跑批与人工复核尚未完成. 本页当前不发布任何评测数据 — 分数、对比表、结论与原始输出将在完成并经人工复核后逐批公开, 未完成的部分不提前放数字.