一次基准跑的全流程

跑、判、报三段:任务进沙箱,交付物过评审,得分进仪表盘

一次基准跑的全流程 跑、判、报三段:任务进沙箱,交付物过评审,得分进仪表盘 01 / 任务 02 / 执行 03 / 隔离 04 / 评审 05 / 报告 任务目录 · 指令 · 资料室 · 评分细则 · 01 / 任务 任务目录 指令 · 资料室 · 评分细则 执行入口 · 适配五家模型 · 02 / 执行 执行入口 适配五家模型 Agent 循环 · 停手即交卷,最多 200 轮 · 02 / 执行 Agent 循环 停手即交卷,最多 200 轮 Podman 沙箱 · 断网 · 文档只读 · 03 / 隔离 Podman 沙箱 断网 · 文档只读 交付物 · 备忘录 / 红线稿 / 表格 · 04 / 评审 交付物 备忘录 / 红线稿 / 表格 LLM 评审 · 逐条判据 · 温度 0 · 04 / 评审 LLM 评审 逐条判据 · 温度 0 scores.json · all-pass 二值 + 诊断 · 05 / 报告 scores.json all-pass 二值 + 诊断 对比仪表盘 · 通过率 · 热图 · 成本 · 05 / 报告 对比仪表盘 通过率 · 热图 · 成本 装载任务 系统提示 + 技能手册 每次工具调用 落盘交付物 按判据取阅 pass / fail 跨模型汇总 Legend 主干流 隔离与裁决 旁路 落盘产物 常规流