相同题目
同一阶段的模型收到完全相同的题目文本与资源限制；题目版本递增而不是覆盖原文，比较只在同一题目版本内进行。
PROVENANCE FIRST · METHOD
评测方法与边界
本网站呈现可追溯的归档记录，不把缺失值解释为零，也不把不同口径的数字压成排行榜。
这里保存的不是「谁更强」的结论，而是一批可被复核的作品与运行记录：相同题目、真实输出、独立评价、可验证来源。
方法原则
五条原则
真实输出
页面上展示的是模型实际交付的文件：网页可以被打开、SVG 可以被查看、运行记录保留调用与重试次数。
独立评价
人工评价、各版 AI 评价与本次展示站验证分别记录，口径与免责声明随分数并列展示，不静默合并。
不做综合排名
不同评委、不同口径的分数不合成排行榜；缺失值显示「未记录」，不推断单题费用或模型能力。
来源优先
每条题目、指标与评价都保留文件路径、行定位与归档提交，公开链接固定到具体提交，可逐条复核。
历史结论如何展示
每条阶段评估都标注来源与口径：DeepSeek 的 93.6/100 引自历史 AI 报告；Muse Spark 的 84.9/100 来自维护 agent 的非盲评 v1。两者口径不同，不可直接比较，也不作为网站独立证明。任务 06、07 的人工观感与 AI 评估存在分歧，两种判断在运行详情中并列保留。
边界与隔离
档案中的隔离与越界信息按归档原文显示：策略级约束能防手滑、可被事后审查，但不构成强制隔离，展示站也不会把它写成「已审计」。
术语与字段的权威定义见仓库 docs/result-interface.md、docs/data-model.md 与 docs/audit-method.md；本页只说明展示口径。
BATCH MEASUREMENTS
批次统计
逐任务记录
DeepSeek V4.1 Flash Exp 0910 · Phase 1
任务数15
会话数12
累计用时2:18:02
API 调用693
工具调用735
失败 / 重试42
输入 token334,670
输出 token1,072,534
缓存读 token63,042,176
费用¥9.3
Muse Spark 1.3 · Phase 1
任务数15
会话数15
累计用时25:45
API 调用181
工具调用178
失败 / 重试8
输入 token384,338
输出 token154,563
缓存读 token3,130,484
费用¥0
DeepSeek V4.1 Flash Exp 0910 · Phase 2（Task 16–20，部分）
任务数5
会话数5
累计用时3:06:16
API 调用927
工具调用940
失败 / 重试0
输入 token457,656
输出 token1,475,485
缓存读 token234,301,952
费用未记录
Muse Spark 1.3 · Phase 2（Task 16–20，部分）
任务数5
会话数5
累计用时45:02
API 调用未记录
工具调用238
失败 / 重试4
输入 token451,558
输出 token146,779
缓存读 token20,144,127
费用未记录
GPT-5.6 Sol · Phase 1
任务数15
会话数15
累计用时1:16:46
API 调用120
工具调用76
失败 / 重试1
输入 token4,187,022
输出 token129,130
缓存读 token3,650,560
费用未记录
K3 · Phase 1
任务数15
会话数15
累计用时3:16:10
API 调用250
工具调用259
失败 / 重试12
输入 token521,100
输出 token370,144
缓存读 token13,399,744
费用未记录