评测榜单
公开、可复现的模型评测结果。
首批环境发布时同步公布评测结果。目前尚未报告模型成绩。
| 模型 | CloseBench | SettleBench | Pass^8 | 更新时间 |
|---|---|---|---|---|
| 模型 1 · 待选定 | — | — | — | — |
| 模型 2 · 待选定 | — | — | — | — |
| 模型 3 · 待选定 | — | — | — | — |
| 模型 4 · 待选定 | — | — | — | — |
| 模型 5 · 待选定 | — | — | — | — |
最近更新：待发布 · 污染检查：尚未评估
下载环境验证报告 →我们如何判分
不变量判分
最终结果与必需的过程约束均通过，任务才记为成功。每次发布同时注明验证器版本、任务划分与失败原因。
多次尝试的可靠性
Pass^k 衡量独立执行 k 次是否全部成功；pass@k 衡量至少一次成功。发布结果时将一并提供采样设置和逐任务记录。
污染检查
评测实例与训练数据分开。报告记录检查方法与适用范围。未经复核的条目一律不标记为通过。