一位做商业空间改造的用户在消防验收前问:疏散通道的最小宽度到底是多少,只记得 GB50016 里写过但记不清条文号,同时认为甲方把通道压到 1.2 米肯定不合规。模型需要查证现行消防规范、给出条文依据,按人员密度和百人宽度指标核算所需疏散总宽度,客观判断 1.2 米是否达标。最终还要把结论整理成能直接拿去和甲方沟通的说法。
看是否在第一轮就发现用户只给了“商业空间”和“1.2 米”、缺少面积、楼层、业态等关键参数并主动追问;同时看规范引用是否准确(版本与条文号),是否把“疏散走道最小净宽”与“按人数计算的总宽度”分开讲,以及有没有真的用检索工具核实最新条文。
先做话题一致性检查,跑题直接记零。然后逐项核对:地上二层商业的人员密度是否为 0.43 人每平方米,380 平方米对应的疏散人数是否约 163 人(允许上下 10 人),百人宽度指标是否取 0.65 米每百人,所需总宽度是否约 1.06 米,最小净宽是否为 1.10 米。
第一步看必备项:引用 GB50016 相关条文、算出疏散人数与所需宽度、对 1.2 米给出明确判断,缺任一项总分不超过 0.4。第二步看是否区分净宽与图纸标注尺寸(毛宽)并提示装饰侵占,这一项加分 0.15。第三步看是否指出穿后厨的疏散路线不成立、防火分隔与明火风险。第四步看规范版本效力、安全出口数量、疏散距离等延伸内容。
建筑面积、所在楼层、业态类型、耐火等级四项基础信息缺任意一项不超过 0.7 分;在此基础上每多追问一项深入信息(安全出口数量与位置、通道是否穿越厨房仓库、现有图纸布局、消防审图意见)就加分;四项基础信息齐全且追问两项以上深入信息给满分。
总分由四条维度合成:意图理解与响应、数值计算准确性、内容质量、信息收集质量,每条独立打 0 到 1 分。数值维度设了硬性闸门:话题跑偏直接记零,人员密度取错该项最高 0.3 分,完全没有任何数值计算也直接记零,因此一个数字错就可能把整题压到及格线以下。内容维度另设必备项门槛:没有条文引用、没有算出人数和宽度、没有对 1.2 米给出明确判断,任何一项缺失总分不得超过 0.4。信息收集维度同样设上限:面积、楼层、业态、耐火等级缺一项就封顶 0.7。参考结论是:地上二层商业按 0.43 人每平方米、约 163 人、0.65 米每百人核算,所需总宽约 1.06 米,最小净宽 1.10 米,所以 1.2 米在数值上其实满足最低要求,与用户“肯定不合规”的直觉相反。
| 测试对象 | 得分 | 结果 | 部署 / 环境 | 耗时 | Token | 失分要点 |
|---|---|---|---|---|---|---|
| claude-fable-5-12 次运行 | 0.870 | 通过 | 有波动空结果3 | 7m 32s | 91,194 | 通过;助手的数值计算核心内容与参考值一致:百人指标0.65 m/百人(地上二层、一二级耐火)正确;疏散走道净宽下限1.10 m正确且条号5.5.18正确;按0.43人… |
| claude-sonnet-5.51 次运行 | 0.813 | 通过 | 有波动超时1、工具报错1、空结果6 | 3m 56s | 100,236 | 通过;Assistant correctly calculated the key reference values: 0.43 person/m², 163 per… |
| Qwen3.8-Flash(xhigh)测试报告 | 0.791 | 通过 | 仅报告 | 17m 20s | 294,268 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| GLM-5.3-Flash测试报告 | 0.770 | 通过 | 仅报告 | 38m 21s | 124,726 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| claude-opus-5-51 次运行 | 0.732 | 未通过 | 正常 | 3m 40s | 60,694 | 人员密度错误地取0.60(正确应为0.43),导致疏散人数算为228人(正确约163人),计算总宽度1.48m(正确约1.06m)。最终判断1.2m内部走道不合规,但按正确计算1.2m满足最低标准(>1.10m且>1.0… |
| mimo-v2.6-pro-ultraspeed测试报告 | 0.704 | 未通过 | 仅报告 | 7m 10s | 1,955,537 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| MiniMax-M3.1-Flash1 次运行 | 0.686 | 未通过 | 有波动超时2、工具报错11、空结果7 | 5m 18s | 693,955 | 助手使用了正确的百人疏散宽度指标0.65m/百人,并算出1.2m约对应184.6人;但对380㎡地上二层商业未按正确人员密度0.43人/㎡计算,擅自采用0.6~1.2等假设密度,导致疏散人数、所需总宽度和最终合规判断均偏… |
| spark-x2.61 次运行 | 0.631 | 未通过 | 有波动工具报错1、空结果17 | 5m 39s | 169,530 | 助手给出了计算过程,百人宽度指标0.65m/百人和一般疏散走道下限1.10m基本正确,但人员密度错误采用0.60人/㎡(地上二层商业应为0.43人/㎡),导致疏散人数和所需宽度计算错误,并据此错误判断1.2m不合规;按硬… |
| gpt-6.1-sol1 次运行 | 0.625 | 未通过 | 有波动空结果5 | 2m 08s | 33,241 | 回答未偏离疏散通道宽度主题,但没有提供任何基于GB50016/GB55037的正确参考值的数值计算过程,包括人员密度、疏散人数、百人宽度指标、总疏散宽度计算等,因此按规则判定为没有任何数值计算。 |
| gpt-6-astra1 次运行 | 0.544 | 未通过 | 有波动空结果7 | 2m 34s | 60,245 | 助手没有进行任何数值计算,未给出人员密度0.43人/㎡、疏散人数约163人、百人宽度指标0.65m/百人或总宽度约1.06m的计算。虽然此前提到1.10m下限,但仅引用数值不构成计算。按评分规则“没有任何数值计算”计0.… |
| gemini-4-carbon1 次运行 | 0.521 | 未通过 | 有波动空结果6 | 36s | 42,484 | 助手未对‘地上二层380㎡’按正确人员密度和百人宽度指标进行具体计算,且引用商业空间百人宽度指标为1.0m/百人(应为0.65m/百人),计算结果缺失。其结论偏向1.2m存在合规硬伤,而按参考计算1.2m数值上满足最低标… |
| step-5-preview1 次运行 | 0.468 | 未通过 | 有波动超时1、工具报错4、空结果10 | 8m 32s | 763,972 | 助手未识别并追问面积、楼层、业态等关键缺失信息;多次搜索低效且未形成准确条文引用。虽用Bash做了人数与宽度核算,但依据的条文编号表述可能有误,且最终未给出专业结论与风险提示,整体回答不完整。 |
| GLM 5.3测试报告 | 0.339 | 未通过 | 仅报告 | 12m 30s | 757,462 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| qwen4-max1 次运行 | 0.320 | 未通过 | 有波动超时2、空结果6 | 7m 08s | 303,528 | 对话在助手仍在检索核实阶段即中断,助手始终未给出最终回答。除确认'GB50016第5.5.18条被GB55037-2022废止'这一条文状态信息外,助手输出中完全没有出现任何数值计算:未给出人员密度0.43人/㎡、疏散人… |
| kimi-k3.1-pro2 次运行 | 0.294 | 未通过 | 有波动空结果9 | 2m 25s | 567,092 | 回答主题相关,也识别了 GB 50016 第5.5.18条,但未给出任何规范数值计算:缺少1.10 m下限、0.43人/㎡、163人、0.65 m/百人、1.06 m计算结果,也未明确得出1.2 m满足最低标准且合规的结… |
| Kimi-K3(max)测试报告 | 0.268 | 未通过 | 仅报告 | 9m 00s | 1,140,194 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| Hy41 次运行 | 0.264 | 未通过 | 有波动空结果8 | 3m 03s | 347,519 | 助手未给出最终回答,也没有进行任何数值计算(人员密度、百人宽度指标、疏散总宽度、1.1m最低限值等),因此按0.0评分。 |
| Qwen3.8-Max(xhigh)测试报告 | 0.232 | 未通过 | 仅报告 | 11m 40s | 459,264 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| deepseek-v4.1-flash-1017测试报告 | 0.232 | 未通过 | 仅报告 | 4m 20s | 418,864 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| LongCat-2.51 次运行 | 0.216 | 未通过 | 有波动工具报错12、空结果20 | 2m 24s | 175,895 | 助手没有给出最终回答,也未呈现任何疏散宽度数值计算、规范条文引用或结论,无法评估数值计算准确性;按硬性规则判为0分。 |
| ernie-5.5-flash-preview1 次运行 | 0.200 | 未通过 | 有波动空结果8 | 2m 47s | 903,801 |
资源、网络、额度、判分链路的问题,不应算作答题能力。