正在载入公开评测快照…
证据揭示了什么
模型排行榜
比较已验证的结果；每个分数均应结合覆盖范围和分母理解。
逐领域比较模型
查看两个模型的共同优势与能力差距。
能力在哪里分化
子领域结果揭示总体分数可能掩盖的差异。
横向滚动查看全部列。也可聚焦表格后按 ← / →；行标签保持可见。
尚未解决的能力边界
定位本评测中仍然存在的能力差距。
质量与资源消耗
结合结果查看 Token 用量和墙钟耗时。
数据生产流程与质量门
每一条结果都经过可复核的输入、运行、验证和发布边界。
评测集构成
覆盖两个专业工程领域的冻结任务集。
数据卡
统计口径、覆盖范围和使用边界集中在这里。