Music Arena v1.1 更新：新提示集与盲评投票

Artificial Analysis 推出 Music Arena v1.1，包含 AA-Music-Vocal v1.1 与 AA-Music-Instrumental v1.1 两个新基准。与常见的“榜单更新”不同，这次改动同时替换了提示词集与评分来源：提示词是全新构建的 1,000 条，每个基准各 500 条；评分则完全来自其招募评审团的盲测投票，公开 Arena 投票不计入评分。

把这两项改动放在一起看，v1.1 更像是对“用什么题、由谁来判”这两个前提的重写。Artificial Analysis 称，过去 3 个月出现了 Suno v6 等旗舰模型发布，这是此次基准更新的背景（该表述属来源说法，具体清单与影响来源未展开）。

新版提示词集共 1,000 条，在 17 个流派间进行策划与平衡，涵盖从古典、爵士与布鲁斯到 EDM、金属和雷鬼。这种“先定流派配额、再分配题目”的做法，使流派覆盖成为可核对的结构，而不是事后统计的结果。

Artificial Analysis 称，每条提示词测试歌曲结构、情绪、配器或演唱风格，且提示词更长更复杂，以反映当下的提示行为与前沿音乐模型的新兴能力。这一关于“更长更复杂”的判断属来源说法，来源未给出与旧版提示词的长度或复杂度对比数据。

该帖还展示了多条示例提示词，例如韩式舞曲流行、孟菲斯深南部灵魂乐、科技浩室、六十年代末摇滚 steady、浪漫主义圣咏安魂曲以及电子游戏 Boss 战配乐等风格描述。这些示例说明提示词在流派与场景上的跨度，但来源未说明示例提示词与最终用于评分的提示词是否完全一致。

v1.1 最实质的制度变化是评分来源：评分完全来自招募评审团的盲测投票，公开 Arena 投票不计入评分。这意味着公开投票仍可作为参与入口存在，但不再影响排名。

需要区分的是，“公开投票不计入评分”是已确认的规则设定；而评审团如何招募、规模多大、成员构成如何，来源均未说明。盲测投票的统计方法、置信区间与模型排名结果，来源同样未给出。因此可以确认的是评分口径被收窄，无法确认的是这一口径下的结果是否更稳定。

更新后的排行榜上线时带有超过 37,000 条盲测人类偏好投票，其中 AA-Music-Vocal v1.1 获得超过 16,000 条，AA-Music-Instrumental v1.1 获得超过 21,000 条。两个基准的票数相加与总数一致。

Artificial Analysis 同时称，每个上榜模型都获得超过 2,000 条投票。这一条给出了单模型票数的下限，但来源未说明上榜模型的具体数量，因此“超过 2,000 条/模型”与总投票数之间的模型数量关系不明。

所有上述数字均来自 Artificial Analysis 自身发布，无第三方独立验证。它们可以确认“发布了什么”，但不能被当作外部核验过的评测结论。

在 AA-Music-Vocal v1.1 中不提供歌词，因此该基准衡量的是各模型的端到端歌曲创作能力。这一设定把“写词”也纳入被评测范围，而不是让模型只负责把给定文本唱出来。

该表述属来源说法。来源未说明这一设计对可比性的具体影响，也未给出歌词缺失条件下评审团如何判断演唱与文本匹配度的细节。

把已确认事实与来源说法分开，是理解这次更新的前提。已确认的是：两个新基准上线、1,000 条提示词（每基准 500 条）、17 个流派、评分仅来自评审团盲测投票、超过 37,000 条总投票及其 16,000/21,000 的拆分、每个上榜模型超过 2,000 条投票，以及官方公布了两个排行榜链接并邀请用户在 Music Arena 投票。

属来源说法的是：提示词更长更复杂、Vocal 基准不提供歌词因而衡量端到端创作、以及“过去 3 个月旗舰模型发布”作为更新背景。来源未说明评审团招募与规模、统计方法与置信区间、排名结果，也未说明示例提示词与评分提示词是否一致。

此外，该帖为 X 平台发布，部分内容为转发或重复，信息完整性有限。因此本文能确认的是基准的构成与规则，不能确认的是这些规则产出了怎样的排名，以及排名是否经得起独立复核。