用私有题库 AMBER 实测 Devin 系模型(swe 系列等,含不同推理档位),只公开结果,不公开题目。 English: README.en.md
- 每期一篇
results/YYYY-Www.md:同题、同 harness,对目标模型跑全库;同模型不同 effort 档位并排。 - 一期固定报告:题集规模与哈希、每案 d2 分与通过/失败、终端终态、token 用量(若车道上报)与时延、环境指纹、按证据纪律写的定性裁决。
- 题目、oracle、transcript、中间产物永不公开(见下「发布纪律」)。
- 姐妹仓:amber-gpt(GPT 系周测)、amber-crof(CrofAI 周测)、amber-ollama(Ollama Cloud 周测)。
- AMBER 是 agentic 实战题库(施工/运维/审查/视觉/需求漂移),规范与制题工具见 getaskclaw/amber-eval;考题本体私有。
- 只发:分数与聚合、token 用量(若车道上报)、速度、定性裁决。
- 永不发:题目内容、oracle/判分器、transcript、考生工作区、任何能复原题面的中间产物。
- 每期必钉:模型 ID、effort 档、日期(UTC)、harness 版本、每案内容哈希(bundle_sha)。哈希用于对照 amber-eval 的公开哈希清单,自证题集未变。
- 案号与题目结构属私有面:公开结果里案例只用稳定别名(A-xxxxxxxx,哈希派生)+ bundle 哈希作句柄;内部案号、变体名、题目描述永不出现。
- 基调:这是社区实测,不是对厂商的攻击。数据说话,措辞克制。
同名模型、同 provider,两次跑也可能不同分——推理参数、负载、服务端版本都在漂。所以这里的一切结论都带日期与档位,且定期重测。单日数字是快照,不是定律。
| 期 | 内容 | 结论 |
|---|---|---|
| 2026-W37 | swe-1-7-medium + glm-5-2 双模型全库首考(23 案) | medium 14/23(子集 12/21,全科无零面,免费道全能);glm-5-2 6/23 但成史上第二个过 UI 搭建案的模型;glm 交付契约零遵守(6 卷喷聊天不写文件)=运行级失格 |
与 Cognition 无任何隶属/赞助关系。分数是特定周、特定档位的快照,不构成采购建议。