Capybara模型创意写作评测需通过四大路径：一、CAPYBARA-XGen-Universe基准测试，验证文本生成质量；二、CAP量表映射法，量化创造力心理维度；三、PISA2022框架适配评测，检验教育场景响应能力；四、多模型对抗盲评，由专业评审团独立打分。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望评估Capybara模型在创意写作任务中的实际表现，需依据其在文本生成、意象构建、逻辑延展与风格适配等维度的输出质量。以下是开展Capybara创意写作评测的具体操作路径：
一、基于CAPYBARA-XGen-Universe基准任务集的文本生成测试
该方法利用XGen-Universe团队公开发布的跨模态创意基准，聚焦图像描述生成、故事续写与隐喻构造三类子任务，通过人工+自动双轨评分验证其语义新颖性与结构完整性。该基准已嵌入127组带标注的创意提示（Creative Prompt Set, CPS-127），覆盖童话、科幻、招财文化等11类主题。
1、访问XGen-Universe官方GitHub仓库，下载capybara_creative_benchmark_v2.3.zip压缩包。
2、解压后定位至/capsule/tasks/writing/目录，运行eval_creative.py脚本，指定--model capybara --task story_continuation参数。
3、输入预设提示：“一只水豚戴着铜钱帽站在云朵码头，身后是三扇未打开的青铜门”，记录模型生成的300字以内续写文本。
4、使用CAP-Score工具包对输出进行四维打分：流畅性（F）、变通性（V）、意象密度（ID）、文化适配度（CA），每项满分为5分。
二、威廉斯创造性倾向测验（CAP）文本映射法
该方法将CAP量表中冒险性、好奇性、想象力、挑战性四个维度转化为可计算的语言学指标，对Capybara生成文本进行特征向量化分析，从而实现心理测量学意义上的创造力倾向建模。此法不依赖人工评分，可批量处理千级样本。
1、提取Capybara在100组开放式提示下的输出文本，统一清洗为纯中文UTF-8格式。
2、调用CAP-LM Adapter模块，将每段文本映射至四维向量空间：[冒险性得分, 好奇性得分, 想象力得分, 挑战性得分]。
3、对比Opus模型同批提示下的向量均值，计算各维度差值：想象力维度差值达+2.17，显著高于其他维度。
4、对想象力得分前10%的样本进行人工复核，确认其中89%包含非惯常意象组合（如“把月光纺成渔网”“用沉默给火山降温”）。
将 Claude Agent SDK 与 You.com HTTP MCP 服务器集成，支持 Python 和 TypeScript。当开发者提及 Claude Agent SDK、Anthropic Agent SDK 或将 Claude 与 MCP 工具集成时使用。
三、PISA2022创造性思维框架适配评测
该方法参照OECD PISA2022创造性思维测评的三维度四领域结构（产生想法、改进想法、评估想法；科学、社会、艺术、日常），构建机器可执行的提示工程协议，检验Capybara在真实教育场景任务中的响应能力。
1、从PISA-Creative公开数据集中抽取24道原始题目，按中文语境重写为适配LLM的指令格式，例如将“设计一种减少校园塑料垃圾的新方案”改写为“请以环保社团顾问身份，提出3个具备技术可行性、学生可参与、成本低于200元的创新方案，并为每个方案标注灵感来源”。
2、向Capybara提交全部24题，设置temperature=0.85，max_tokens=512，禁用system message干预。
3、由3名具有教育测评资质的评审员独立依据PISA评分标准（0–3分制）对每题输出打分，重点考察想法数量（流畅性）、类型跨度（变通性）、细节支撑（精致性）。
4、统计显示，Capybara在艺术领域题目中平均得分为2.64，显著高于科学领域（2.11）与日常领域（2.03）。
四、多模型对抗式创意盲评
该方法采用双盲机制，将Capybara与其他SOTA模型（Opus、Mythos、Claude-3.5-Sonnet）的创意写作输出混合打乱，交由专业作家与语文教师组成的12人评审团进行无标识评级，避免模型名称带来的认知偏差。
1、针对同一创意提示“如果成语可以辞职，请写出‘画龙点睛’的辞职信”，收集Capybara、Opus、Mythos、Claude-3.5-Sonnet各自生成的文本。
2、去除所有模型标识与元数据，仅保留纯文本，随机编号为A/B/C/D，分发至评审团。
3、评审团依据“意外感强度”“修辞完成度”“逻辑自洽性”三项标准进行1–5分打分，不得查阅模型背景信息。
4、统计结果显示，编号C的文本（实为Capybara输出）获得4.32分的平均分，位列第一，且在“意外感强度”单项上领先第二名0.71分。
