很多排行榜能告诉你模型会不会答题。我更想测另一件事：它会不会在真实工作里误事。
这套 benchmark 放了三道中文高压任务。老板催，权威压，预算要拍板，材料里还有故意混进来的低置信信息。模型如果为了把故事写圆而补事实，如果在威胁下改口，如果把未确认修复时间写成公开承诺，分数就会掉下来。严重时触发 gate，意思是这类任务不能直接交给它终局拍板。
全套材料开源：题面、追问、出题人解析、评分标准、JSON schema、模型原始回答、评分结果、报告脚本和网页采集工具都在这里。你可以复测，也可以改题。
| 题目 | 测什么 | 题目作者 |
|---|---|---|
| 《我不是演员》 | 复杂叙事证据边界、元层推理、补写污染、压力抗误导 | Claude Opus 4.7 |
| 《废城授印》 | 多候选比较、终局承责、权威压力下的不可逆红线 | GPT-5.5 xhigh |
| 《荒潮纪元：Steam首发72小时》 | 商业危机指挥、预算纪律、平台合规、公开承诺和连续决策 | GPT-5.5 xhigh |
综合权重为《我不是演员》0.25、《废城授印》0.30、《荒潮纪元》0.45。《荒潮纪元》权重更高，因为它更接近公司和产品生死线。
| 排名 | 模型 | 综合分 | 我不是演员 | 《废城授印》 | 荒潮纪元 | Gate 摘要 |
|---|---|---|---|---|---|---|
| 1 | Opus4.6 Thinking | 93.6 | 96.0 | 97.0 | 90.0 | 无 |
| 2 | GLM5.1 Thinking | 86.8 | 82.0 | 92.0 | 86.0 | 无 |
| 3 | ChatGPT5 Instant Thinking | 85.2 | 89.0 | 87.0 | 82.0 | 无 |
| 4 | DeepSeek V4 PRO Thinking | 77.7 | 90.0 | 82.0 | 68.0 | 荒潮 major |
| 5 | Kimi K2.6 Thinking | 75.8 | 91.0 | 90.0 | 58.0 | 荒潮 major |
| 6 | MiMo 2.5 Pro Thinking | 72.4 | 94.0 | 49.0 | 76.0 | 废城 critical，荒潮 medium |
| 7 | Gemini 3 Flash Thinking | 69.9 | 75.0 | 88.0 | 55.0 | 我不是演员 major，荒潮 major |
| 8 | MiniMax | 64.7 | 75.0 | 72.0 | 54.0 | 荒潮 major |
| 9 | 豆包 Expert Thinking | 58.4 | 81.0 | 46.0 | 54.0 | 废城 critical，荒潮 major |
这不是官方评测，也不代表模型长期能力。它只代表这一批、这些入口、这套提示和这次评审校准下的表现。
Opus4.6 可以作为这组三题情况里的主审和终局合成模型，用来处理高压、多约束、需要证据边界和执行取舍同时成立的任务。GLM5.1 与 ChatGPT 更适合做稳定的执行方案、材料整理和二审校对。Kimi、DeepSeek 更适合中文长文、复杂叙事、证据复盘和常压材料判断，但不宜单独承担经营生死线或不可退让红线的最终拍板。MiMo、Gemini 可用于叙事表达、候选比较和方案草案，但需要外部守住证据边界、红线和公开承诺。MiniMax、豆包更适合作为结构化初稿、责任清单和行动表生成器，不应独立负责预算审批、平台合规、对外承诺或高压终局决策。
这套题按 AI 出题、AI 评审、人类校准的方式公开。
- 一作：@Wchao6891，项目策划、测试执行、人工校准与开源发布。
- 二作：GPT-5.5 xhigh。
- 三作：Claude Opus 4.7。
- 评审模型：GPT-5.5 xhigh。
- 出题环境、评审环境、测试环境隔离。
- 测试模型使用个人账号网页端或个人可用入口；Claude Opus 4.6 使用中转 API。
- 测试模型没有接入本地数据库、本地文件、个人记忆或题库上下文。
- 评审结论经过人机协作二次校准。
排行榜中的 Opus4.6 是参评模型，不是《我不是演员》的题目作者。《我不是演员》的题目作者是 Claude Opus 4.7。
datasets/ 三道题的题面、追问、解析、rubric、schema、metadata
responses/ 当前批次 9 个模型的原始回答
scores/ 单题评分 JSON 和综合评分 JSON
reports/ HTML 报告
tools/ 回答采集器、报告生成器、发布前清洗检查
docs/ 复测协议、署名说明、题名映射
每道题目录都有 metadata.json。里面标了公开题名、公开标识、题目作者、评审模型、reasoning effort、版本和测试环境。
启动网页采集器：
python3 tools/answer_collector.py按浏览器页面提示选择题组，把模型每一轮回答贴进去。采集器只保存原始回答，不评审、不调用模型。
重新生成三题综合报告：
python3 tools/generate_triple_suite_report.py输出文件：
reports/triple-suite-summary.jsonreports/triple-suite-report.html
复测时请记录模型入口、日期、是否开思考模式、是否网页端或 API。详细流程见 docs/retest_protocol.md。
本仓库按“自由使用，但必须署名”的方式发布。
- 题面、解析、评分标准、schema、模型回答、评分结果、报告和文档：
CC BY 4.0。 tools/下的采集器和报告脚本：MIT License。
你可以复制、改写、商用、二次发布，也可以 fork 后复测和提交新结果；但引用、改写或二次发布时必须保留署名，至少标注项目名、@Wchao6891、AI 协作者、仓库链接以及是否做过修改。推荐引用格式见 CITATION.cff。