Kiểm tra độ bền vững của điểm số @Havelock_AI bằng cách tổ chức một giải đấu, trong đó Claude chỉ được trình bày các dấu hiệu ngữ pháp và từ vựng (không có nội dung) của hai văn bản và được yêu cầu đoán văn bản nào mang tính khẩu ngữ hơn. Chúng ta sẽ xem liệu các văn bản có điểm số cao hơn có thực sự có ELO cao hơn không.

Lô thử nghiệm đầu tiên trước khi chạy lớn