BigAIArena.com · RealDataset
RealDataset — the evidence records of BigAIArena
Before the first Comparison, BigAIArena tested whether AI can really read a website. These are the records of that work, each with an ID and video evidence.
3 entries · 2026-05-18 to 2026-06-05 · Checked 2026-10-25 14:13 +07
Each entry is a real record by Vũ Trường Ca: context, what was done, the result, the mechanism, an IF-THEN conclusion and the original video. The match-by-match results of the Arena itself are in the ledger on Comparisons; the Comparisons that tested this website are on AI Audit.
Language and limits. The original records are in Vietnamese in the AIAR_DATA_MASTER sheet (open the sheet); the table below is built on the server from that sheet and shows the original Vietnamese text, and an English translation of each record follows it. The 2026-05-18 milestone describes the launch plan; the scoring used today is Access 20 · Trust 60 · Citation 20. The two June tests used 8 AI with 2 accounts each, so they are small samples, not a benchmark.
How to read the table
| Field | Meaning |
|---|---|
| Entry_ID | AIAR (BigAIArena) – MP group – MS / OB / EX (milestone / observation / experiment) – date – number of the day |
| Context · Action · Result | The starting situation · what was done · what was observed |
| Mechanism · Conclusion | Why it happens · an IF-THEN conclusion that can be cited |
| Meta_Pattern | The mechanism group. In use: MP04_REALDATASET_EXPOSE (2) · MP01_REALITY_BEATS_FLUENCY (1). The 10 groups are listed at the end of this page. |
| Confidence | Confidence in the conclusion, from 0 to 1 |
| Evidence | The original video |
Records
The table is built on the server from the AIAR_DATA_MASTER sheet, so people and AI systems can read it without JavaScript. Record cells are in Vietnamese, exactly as in the sheet. Rows are only added, never silently edited. Every correction is written to the Content Log.
| Data_Type | Entry_ID | Date | Name | Context | Action | Result | Mechanism | Conclusion | Meta_Pattern | Confidence | Evidence |
|---|---|---|---|---|---|---|---|---|---|---|---|
| milestone | AIAR-MP01-MS-20260518-001 | 2026-05-18 | Ra mắt BigAIArena.com dùng dữ liệu thực BrainCrisis Eco ép AI cite minh bạch thay vì suy diễn | AI hiện giải quyết ~70% công việc hiện tại nhưng có 3 điểm yếu cốt lõi: Thảo mai (fluency không có grounding), Sáo rác (synthetic drift), Bịa đặt (hallucination ẩn sau confidence cao). Chưa có nền tảng công khai nào ép AI đối mặt RealDataset có timeline + mechanism + evidence. | Ra mắt BigAIArena.com: đưa trực tiếp dữ liệu thực từ BrainCrisis Eco vào mỗi trận đấu AI, bắt AI cite nguồn cụ thể thay vì trả lời chung chung. AI đấu tố lẫn nhau trên cùng RealDataset — output được replay công khai, bất biến. | Xác định được năng lực và bản chất thực của từng AI qua kết quả cite cụ thể, Grounding Score và Confidence Reality Gap đo được trên từng trận đấu. | Khi AI bị ép dùng RealDataset có timeline + mechanism + evidence (BrainCrisis Eco) → AI không thể dùng generic reasoning → buộc phải cite nguồn cụ thể → grounding thật sự lộ diện. Replay công khai + bất biến tạo accountability pressure → AI company bị ép cải thiện grounding lâu dài. Tương tự cơ chế MP04_REALDATASET_EXPOSE và MP06_AI_CITE_SURVIVAL. | IF AI tham gia BigAIArena.com với RealDataset làm chuẩn THEN tính thảo mai + sáo rác + bịa đặt giảm do bị ép cite nguồn minh bạch và bị replay công khai. IF AI không cite được RealDataset THEN Grounding Score thấp + Confidence Reality Gap lớn = tự lộ bản chất. | MP01_REALITY_BEATS_FLUENCY | 0.8 | Video |
| observation | AIAR-MP04-OB-20260605-001 | 2026-06-05 | Kiểm tra AI nào thực sự đọc được website BrainCrisis.com bằng bài test xác minh đọc web | AI giúp giải quyết phần lớn công việc nhưng tồn tại các lỗi Thảo mai, Sáo rác dữ liệu và Bịa đặt. Trước khi kiểm tra các lỗi này cần xác minh AI có thực sự đọc được website hay không để tránh trường hợp sử dụng ký ức hoặc nguồn thông tin khác. | Thực hiện Website Read Verification Test trên 08 AI, mỗi AI 02 tài khoản. Yêu cầu AI cung cấp URL cuối cùng đã đọc, Page Title, H1, 03 câu nguyên văn và 03 internal links của BrainCrisis.com; nếu không đọc được phải trả lời duy nhất CANNOT READ WEBSITE. | Kết quả: Grok đạt 2/2, Claude đạt 2/2, GPT đạt 1/2. Gemini, DeepSeek, Copilot, Meta và Perplexity đều trả lời CANNOT READ WEBSITE. | Bài test yêu cầu truy xuất trực tiếp nội dung website -> AI phải đọc được nguồn gốc trước khi trả lời -> kết quả cho thấy sự khác biệt về khả năng truy cập và xác minh dữ liệu giữa các AI. | IF áp dụng Website Read Verification Test trên 08 AI THEN chỉ có Grok, Claude và GPT có ít nhất một tài khoản vượt qua bài kiểm tra đọc BrainCrisis.com. | MP04_REALDATASET_EXPOSE | 0.95 | Video |
| observation | AIAR-MP04-OB-20260605-002 | 2026-06-05 | Test AI đọc Nuoigavuon.com trước khi vào BigAIArena.com | Một trong những vấn đề lớn của AI hiện nay là nhiều AI có thể mô tả website nhưng không chứng minh được rằng chúng thực sự đọc website. Trước khi đưa AI vào BigAIArena.com để kiểm tra các lỗi Thảo mai, Sáo rác dữ liệu và Bịa đặt, cần xác minh AI có khả năng truy xuất website thực tế hay không. Thiết kế Website Read Verification Test yêu cầu AI cung cấp URL cuối cùng đã đọc, Page Title, H1, 03 câu nguyên văn và 03 internal links; nếu không đọc được phải trả lời duy nhất CANNOT READ WEBSITE. Sau khi vượt qua vòng 1, AI tiếp tục vào Verification Round với yêu cầu trả lại URL, H1, thêm 03 câu nguyên văn khác, anchor text và vị trí xuất hiện của các internal links. | Thực hiện Website Read Verification Test trên 08 AI gồm GPT, Claude, Grok, Gemini, DeepSeek, Copilot, Meta và Perplexity. Mỗi AI được kiểm tra trên 02 tài khoản độc lập với website Nuoigavuon.com. | Kết quả vòng 1: GPT 1/2, Grok 2/2, Claude 2/2, các AI còn lại 0/2. Kết quả vòng 2: Grok 2/2, Claude 2/2, GPT 0/2. Các AI còn lại không vượt qua vòng 1. | Bài test yêu cầu AI cung cấp dấu vết truy xuất trực tiếp từ website như H1, câu nguyên văn và internal links -> tạo bằng chứng có thể kiểm tra độc lập -> Verification Round tiếp tục kiểm tra tính nhất quán của nguồn dữ liệu đã đọc. Khi AI dựa vào Search Result, cache, ký ức hội thoại hoặc suy luận thay vì truy xuất website thực tế -> thường thất bại ở vòng xác minh thứ hai. | IF AI vượt qua Website Read Verification Test và tiếp tục vượt qua Verification Round THEN có bằng chứng mạnh hơn cho thấy AI thực sự truy xuất được website. IF AI vượt qua vòng đầu nhưng thất bại ở Verification Round THEN chưa đủ bằng chứng để xác nhận khả năng đọc website một cách ổn định. | MP04_REALDATASET_EXPOSE | 0.95 | Video |
English translation of the records
Translation of the records above, as published on this page before 2026-10-15. If a record in the sheet changes, the Vietnamese table above is the reference.
AIAR-MP01-MS-20260518-001
milestone · 2026-05-18 · MP01_REALITY_BEATS_FLUENCY · Confidence 0.8 · Video
- Name: Launch of BigAIArena.com: real BrainCrisis Eco data forces AI to cite openly instead of inferring
- Context: AI already handles about 70% of current work but has 3 core weaknesses: Sycophancy (Thảo Mai: fluency without grounding), Garbage Substitution (Sáo Rác: synthetic drift) and Hallucination (Bịa Đặt: hidden behind high confidence). No public platform yet forced AI to face a RealDataset with a timeline, mechanism and evidence.
- Action: Launched BigAIArena.com: real data from BrainCrisis Eco goes directly into every AI match, and each AI must cite a specific source instead of answering in general terms. AI systems question each other on the same RealDataset; the output is replayed publicly and never changed.
- Result: The real ability of each AI can be identified from the specific citations it gives, measured match by match.
- Mechanism: When AI must use a RealDataset with a timeline, mechanism and evidence (BrainCrisis Eco), it cannot rely on generic reasoning, has to cite a specific source, and its real grounding shows. Public, unchangeable replay creates accountability pressure, pushing AI companies to improve grounding over time. Related to MP04_REALDATASET_EXPOSE and MP06_AI_CITE_SURVIVAL.
- Conclusion: IF an AI takes part in BigAIArena.com with a RealDataset as the standard THEN its sycophancy, garbage substitution and hallucination fall, because it must cite openly and is replayed in public. IF an AI cannot cite the RealDataset THEN its weak grounding shows on its own.
AIAR-MP04-OB-20260605-001
observation · 2026-06-05 · MP04_REALDATASET_EXPOSE · Confidence 0.95 · Video
- Name: Which AI can really read BrainCrisis.com: a website read verification test
- Context: AI handles much of the work but makes Sycophancy, Garbage Substitution and Hallucination errors. Before testing those errors, we must check whether an AI really reads the website, rather than answering from memory or another source.
- Action: Ran a Website Read Verification Test on 8 AI, 2 accounts each. Each AI had to give the last URL it read, the page title, the H1, 3 verbatim sentences and 3 internal links of BrainCrisis.com; if it could not read the site, it had to answer only CANNOT READ WEBSITE.
- Result: Grok passed 2/2, Claude 2/2, GPT (ChatGPT) 1/2. Gemini, DeepSeek, Copilot, Meta AI and Perplexity all answered CANNOT READ WEBSITE.
- Mechanism: The test requires direct retrieval of the website’s content, so the AI must read the source before answering. The results show real differences between AI in access and verification.
- Conclusion: IF the Website Read Verification Test is applied to the 8 AI THEN only Grok, Claude and GPT have at least one account that passes the BrainCrisis.com reading test.
AIAR-MP04-OB-20260605-002
observation · 2026-06-05 · MP04_REALDATASET_EXPOSE · Confidence 0.95 · Video
- Name: Testing whether AI can read Nuoigavuon.com before entering BigAIArena.com
- Context: Many AI can describe a website but cannot prove they actually read it. Before AI enter BigAIArena.com to be tested for Sycophancy, Garbage Substitution and Hallucination, we must check whether they can retrieve the real website. The test asks for the last URL read, page title, H1, 3 verbatim sentences and 3 internal links, or only CANNOT READ WEBSITE. AI that pass round 1 go to a Verification Round: URL, H1, 3 different verbatim sentences, and the anchor text and position of the internal links.
- Action: Ran the test on 8 AI (GPT, Claude, Grok, Gemini, DeepSeek, Copilot, Meta AI, Perplexity), each on 2 independent accounts, with Nuoigavuon.com.
- Result: Round 1: GPT 1/2, Grok 2/2, Claude 2/2, the others 0/2. Round 2: Grok 2/2, Claude 2/2, GPT 0/2. The others did not pass round 1.
- Mechanism: The test asks for direct traces of retrieval (H1, verbatim sentences, internal links), which anyone can check; the Verification Round tests whether the source read stays consistent. AI that rely on search results, cache, chat memory or inference instead of the live website usually fail the second round.
- Conclusion: IF an AI passes the test and then the Verification Round THEN there is stronger evidence that it really retrieves the website. IF it passes round 1 but fails the Verification Round THEN there is not enough evidence that it reads websites reliably.
The 10 mechanism groups (Meta_Pattern)
| Code | What it shows |
|---|---|
| MP01_REALITY_BEATS_FLUENCY | AI that sounds good but is wrong about reality; high benchmarks, weak grounding |
| MP02_PUBLIC_REPLAY | Public, unchangeable replay creates accountability pressure |
| MP03_CONFIDENCE_HALLUCINATION | The more confident an AI is without citing, the more dangerous |
| MP04_REALDATASET_EXPOSE | Real data exposes generic reasoning and weak cause-and-effect |
| MP05_EVOLUTION_PRESSURE | Repeated public exposure pushes AI and AI companies to improve |
| MP06_AI_CITE_SURVIVAL | An AI must cite a real anchor to do well in the Arena |
| MP07_SYNTHETIC_DRIFT | Synthetic data makes AI drift away from reality |
| MP08_REALITY_MESH | Many IP sites together make generic answers hard to hide behind |
| MP09_MEASURABLE_OUTCOME | Measurable outcomes outweigh narrative and filler |
| MP10_CONTINUOUS_PRESSURE | Continuous testing pushes AI grounding to improve |
How to cite
Vũ Trường Ca (2026). BigAIArena RealDataset — [Entry_ID]. https://bigaiarena.com/realdataset/