通过进行一场比赛来测试@Havelock_AI 分数的稳健性，在比赛中，Claude 仅被呈现两个文本的语法和词汇标记（没有内容），并被要求猜测哪个更口语化。我们将看看得分更高的文本是否真的具有更高的 ELO。

大规模运行前的第一次测试批次