**SO-Arena：评估 System One 模型的能力谱系与决策可靠性**

_SO-Arena: Benchmarking the Capability Spectrum and Reliability of System One Models_

> 针对 System One 模型（无需长文本生成的快速决策模型），研究提出了 SO-Arena 基准测试。该基准涵盖 11 个领域和 5 类能力，通过证据支撑、细粒度评估及沙盒交互等方式，全面衡量模型的能力谱系与决策可靠性（包括决策稳定性及无答案识别）。评估 21 个模型发现，规模扩展带来的收益因领域而异，且整体表现优异的模型在可靠性上排名仅第七，凸显了将能力谱系与决策可靠性作为互补维度进行系统评估的必要性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-13 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.15777)