测试对象分析

21 个测试对象的成绩与失败结构

每个对象给出成绩分布、失败原因构成、30 道题的成绩总览,以及可逐题展开的轨迹。有轨迹的对象取表现最好的一次运行;仅提供测试报告的 7 个对象按报告得分展示,并标注「仅报告」。

测试对象
21
每个目录一个对象
平均总分
72.1
百分制
合计轨迹
498
含重复运行与中断运行
题目覆盖
30
每题取最好一次

排名与入口

点击对象名进入逐题轨迹
总得分(百分制) · 通过 27/30 题 · 总 Token 5,347,457
耗时 2h 11m有效得分 89.91 次运行
总得分(百分制) · 通过 25/30 题 · 总 Token 8,389,299
耗时 2h 22m有效得分 89.21 次运行

3 qwen4-max

84.8
总得分(百分制) · 通过 25/29 题 · 总 Token 10,395,717
耗时 3h 30m有效得分 90.81 次运行
总得分(百分制) · 通过 14/18 题 · 总 Token 2,261,598
耗时 2h 07m有效得分 89.73 次运行
总得分(百分制) · 通过 24/30 题 · 总 Token 4,448,666
耗时 1h 37m有效得分 87.01 次运行

6 mimo-v2.6-pro-ultraspeed 仅报告

82.9
总得分(百分制) · 通过 23/30 题 · 总 Token 12,831,929
耗时 3h 21m有效得分 88.7测试报告
总得分(百分制) · 通过 20/30 题 · 总 Token 3,759,607
耗时 2h 14m有效得分 86.51 次运行

8 Qwen3.8-Flash(xhigh) 仅报告

78.8
总得分(百分制) · 通过 23/30 题 · 总 Token 16,851,486
耗时 7h 04m有效得分 88.6测试报告

9 deepseek-v4.1-flash-1017 仅报告

75.7
总得分(百分制) · 通过 23/30 题 · 总 Token 12,667,882
耗时 4h 35m有效得分 87.5测试报告

10 spark-x2.6

72.2
总得分(百分制) · 通过 9/30 题 · 总 Token 4,361,349
耗时 2h 45m有效得分 85.31 次运行
总得分(百分制) · 通过 21/30 题 · 总 Token 16,018,501
耗时 4h 26m有效得分 87.04 次运行

12 GLM 5.3 仅报告

71.0
总得分(百分制) · 通过 20/30 题 · 总 Token 12,705,112
耗时 7h 04m有效得分 87.1测试报告

13 GLM-5.3-Flash 仅报告

70.5
总得分(百分制) · 通过 19/30 题 · 总 Token 5,388,033
耗时 7h 50m有效得分 86.5测试报告

14 Qwen3.8-Max(xhigh) 仅报告

67.2
总得分(百分制) · 通过 16/30 题 · 总 Token 12,222,537
耗时 7h 04m有效得分 87.9测试报告
总得分(百分制) · 通过 3/30 题 · 总 Token 1,407,578
耗时 28m 37s有效得分 79.71 次运行
总得分(百分制) · 通过 14/30 题 · 总 Token 15,404,310
耗时 5h 48m有效得分 85.51 次运行
总得分(百分制) · 通过 16/30 题 · 总 Token 10,856,288
耗时 4h 20m有效得分 84.41 次运行

18 Hy4

62.1
总得分(百分制) · 通过 14/30 题 · 总 Token 16,580,983
耗时 5h 36m有效得分 87.12 次运行
总得分(百分制) · 通过 10/30 题 · 总 Token 23,229,039
耗时 3h 22m有效得分 87.52 次运行
总得分(百分制) · 通过 11/28 题 · 总 Token 15,651,844
耗时 1h 38m有效得分 87.91 次运行

21 Kimi-K3(max) 仅报告

47.6
总得分(百分制) · 通过 0/30 题 · 总 Token 5,029,999
耗时 5h 28m有效得分 —测试报告