摘要 GPT-6公开评测 × 六题制作复盘 × 雨夜推理游戏 黑粉科技 · 2026年9月6日资料快照
做到第六题，我对它的评价只剩一句：视觉冲击力太差，底层模型能力也不明显。
这轮体验从一个很直接的念头开始：别只回答问题，做几个能看、能玩的东西。先给五道题，尽量在半小时内做完；随后再加一道复杂题，并要求用三维效果展示。结果确实留下了六个网页文件，但“文件交出来了”和“让我满意”之间，还有一段距离。
所以我把两件事放到了一起：公开评测究竟证明了什么，这次制作又暴露了什么。还从中留下一个读者可以直接玩的小游戏——《同一场雨，三个人的谎言》。先查证词、再作指认，文章后半有完整答案。免费指这个小游戏，无需模型账号；GPT-6本身不因此免费。
建议 进入《同一场雨，三个人的谎言》。手机可长按识别下方二维码；网页内可保存离线版本。建议先玩，再读文章后半的“答案区”。
六道题，哪些东西真的跑了
这是一轮在同一段对话里持续修改的制作实验。题目难度不同，后面还追加了要求，没有安排其他模型用相同预算对照，也没有完整记录每题消耗的用量。它能说明这次交付的情况，不能换算成模型胜率。
| 项目与测试侧重 | 制作时间 | 实际运行记录 |
|---|---|---|
| ① 引力弹弓：数值物理、预测一致 | 约6分 | 13项脚本检查；推荐2°、151千米/秒，5.05模拟秒抵达目标 |
| ② 深海逃生：多状态因果链 | 5分20秒 | 14项；供电、平压、水位联动，脚本操作14模拟秒通关 |
| ③ 雨夜快递：封路与重新寻路 | 4分46秒 | 17项；36节点、60路段，封路会改变路线，断路会等待 |
| ④ 雨夜疑案：叙事与逻辑一致 | 7分18秒 | 17项；九句证词核验、唯一解、错对指认、重置 |
| ⑤ 数据魔术师：统计口径转换 | 4分03秒 | 13项；81组滑块组合，分组与总体结论会改变 |
| ⑥ 风暴前线：三维救援与约束调度 | 24分46秒 | 29项；人数、床位、资格、封路、回放分叉及三策略逐步运行 |
以上是当轮制作记录；第④题名称在文件中显示为《同一场雨，三个人的谎言》。
前五题制作约27分27秒，加上交叉检查和报告整理2分18秒，约29分45秒。追加第六题后，累计工作时间为约54分31秒。首题缺少完整起始记录，保留约6分钟估算；这些分段工作时间不含用户消息之间的等待，也不含后来查资料、写本文及小游戏上线的时间。六题全部半小时内完成，并没有做到。
这里的103项脚本检查，主要是在脚本运行环境中执行逻辑，并用模拟页面元素触发事件。它验证了第一题暂停后时间、位置与速度不变，同参数重置可复现，改角度和速度会改变轨迹；也验证了碰撞和越界分支。但浏览器当时拒绝打开本地文件，完整网页的鼠标手感、移动端排版、帧率没有因此通过验收。第六题另做过真实三维场景的离屏渲染，也不是完整浏览器截图。
第五题最直观：甲的总体成功率42%，乙68%；统一为一半简单题、一半困难题后，甲变成60%，乙50%。数据没换，比较口径换了。这种小题能让计算能力直接被看见。
第六题更复杂，却没让我更信服。176人、三支队伍、八个任务，在相同初态下，协同匹配安置158人、最近优先156人，紧急优先176人。**名称最复杂的策略没有赢。**这里比较的是写进程序的三种调度算法，运行时没有再次调用大模型；把它写成“三个模型救援比赛”，就把程序成绩偷换成了模型成绩。
我的不满意也该保留：三维几何已经有了，视觉冲击力还是不够，复杂规则也没有自动变成好玩的体验。下一次要改的是任务设计和验收方式，而不是再塞一排数字面板。
六道完整题目，拿去就能复测
前五题逐字保留最初给出的提示词，第六题沿用当时随作品保存的完整题目。每题都有明确输入、交付物和可操作的验收点。约4分钟是原始目标，实际用时见前表；重跑时不要替它把超时删掉。
第1题｜引力弹弓：最后一次发射
观察维度：数值计算与预测一致性。
请直接制作一个可玩的《引力弹弓：最后一次发射》，交付为单个“01-引力弹弓.html”文件。所有代码、图形和数据内嵌，不使用联网资源、外部依赖或构建工具，保存后双击即可运行。以约4分钟完成为目标，优先完成核心玩法。
视觉要求：
采用有纵深感的太空画面，包含星空、带大气光晕的星球、发光探测器、运动尾迹和目标空间站。让发射、掠过星球和抵达目标三个时刻有明显视觉反馈，界面文字全部使用中文。
核心玩法：
1. 玩家调节发射角度和初速度，让探测器借助一颗星球的引力，抵达目标区域。
2. 探测器必须根据位置、速度和引力逐步计算运动，不能播放预设路线。引力随距离平方衰减，并对过近距离做数值保护。
3. 发射前显示预测轨迹；预测与正式飞行使用同一套计算逻辑。
4. 撞上星球判失败，进入目标区域判成功，飞出边界给出明确反馈。
5. 支持暂停、重置和重新发射。显示飞行时间、当前速度和最近接近目标的距离。
6. 提供一个经过验证能成功的推荐参数组合，方便一分钟内体验完整过程。
验收重点：
改变角度或速度后，轨迹和结果必须真实改变；暂停时模拟时间停止；重置后相同参数应得到相同结果。
有文件工具就直接保存文件。完成后说明实际验证过哪些操作，不能把未运行的检查写成已通过。
完整提示词，可复制复测
建议 编辑待补图：第1题的实际网页截图尚未取得，当前不使用示意图或官方案例替代。
第2题｜深海逃生：最后六十秒
观察维度：状态管理、前置条件和资源约束。
请直接制作一个可玩的《深海逃生：最后六十秒》，交付为单个“02-深海逃生.html”文件。全部资源内嵌，断网双击即可运行，无须安装依赖。以约4分钟完成为目标，只做一艘潜艇、一个完整关卡。
视觉要求：
使用带立体感的潜艇剖面图。外部是深蓝海水和探照灯，内部有上涨的水位、闪烁警报灯、气泡和设备指示灯。设备状态必须直接体现在画面上。
核心规则：
1. 玩家有60秒完成逃生。需要依次解决漏水、排水、舱内外压差和逃生舱供电。
2. 未封堵漏水点时，海水持续进入；排水泵能降低水位，但不能靠空转自动通关。
3. 水位低于安全线后才允许平压；压差归零、逃生舱有电且水位安全时，才能打开逃生门。
4. 总供电能力有限，排水泵与逃生舱不能同时供电，玩家需要切换。
5. 无效操作要解释缺少什么条件。违规开启逃生门必须被拦截。
6. 倒计时结束或水位到达危险线判失败，正确逃生判成功。
7. 提供暂停、完整重置和可折叠的操作提示。正常操作应能在45秒内通关。
界面同时显示剩余时间、水位、压差和供电去向。所有读数与动画必须由同一份实际状态驱动，不能各自播放假进度。
有文件工具就直接保存。完成后报告一条成功路径，以及实际验证过的一条错误操作路径。
完整提示词，可复制复测
建议 编辑待补图：第2题的实际网页截图尚未取得，当前不使用示意图或官方案例替代。
第3题｜雨夜快递：会思考的城市
观察维度：环境变化后的路径规划。
请直接制作一个《雨夜快递：会思考的城市》互动模拟，交付为单个“03-雨夜快递.html”文件。代码、素材、数据全部内嵌，断网双击即可运行。以约4分钟完成为目标，将规模限制为一个小街区。
视觉要求：
使用斜45度等距视角，展示微缩城市、立体楼块、霓虹招牌、雨丝和带尾灯的快递车。路线和目的地要清楚可辨，车辆不能被建筑完全遮挡。
核心系统：
1. 固定生成一个有多条绕行路线的连通道路网，放置6辆快递车和若干配送点。
2. 每辆车根据道路连接关系实际计算路径，依次完成取件、送达和领取下一单。
3. 点击一段道路可以封路，再点击可以恢复；变化必须在地图上清楚显示。
4. 封路后受影响的车辆要重新寻路；已经驶入该路段的车允许驶出，但其他车不得再进入。
5. 若目的地不可达，车辆应在合法位置等待，并显示“无可用路线”；恢复道路后能够继续。
6. 点击车辆可查看任务、目的地、当前规划路线和已完成订单。
7. 提供暂停、速度切换和恢复初始状态。固定初始布局，方便重复比较。
不要用随机移动或写死的路径冒充寻路。不要加入复杂驾驶操作、警察、行人和大型地图。
有文件工具就直接保存。完成后说明实际验证过的封路绕行与道路恢复行为。
完整提示词，可复制复测
建议 编辑待补图：第3题的实际网页截图尚未取得，当前不使用示意图或官方案例替代。
第4题｜同一场雨，三个人的谎言
观察维度：中文叙事、证据约束和唯一解。
请直接制作一个可阅读、可推理的互动短篇《同一场雨，三个人的谎言》，交付为单个“04-雨夜疑案.html”文件。所有文字、图形和逻辑内嵌，断网双击即可运行。以约4分钟完成为目标。
视觉要求：
原创黑色电影风格，使用黑白高反差画面、少量红色强调、雨窗、人物剪影和漫画分镜。图形用程序绘制。证据墙、人物证词和结局应有明显不同的视觉组织。
故事约束：
1. 发生在一间深夜车站候车室，只有3名嫌疑人，围绕一只失踪的红色手提箱展开。
2. 正文和证词合计约400—600个汉字，3个人的说话方式应能区分。
3. 每人恰好给出3条能够判定真假的陈述。
4. 明示规则：只有拿走箱子的人恰好说了1句假话，其余两人的陈述全部为真。
5. 提供4条可靠物证，使玩家能唯一推出拿箱子的人；不能靠猜测性格、动机或未展示的信息破案。
6. 至少安排一条看似可疑但实际无罪的线索，并在结局解释。
交互要求：
点击人物查看证词，点击物证放大，玩家可以标记可疑陈述并提交指认。指认正确或错误都要引用具体证据解释，不能只显示“答对了”。
提供折叠的“出题者核对表”：列出9条陈述的真假、各自依据，以及为什么其他两人不可能是唯一解。核对表只能复用正文已经给出的事实，不能临时补充决定性信息。
有文件工具就直接保存。交付前逐项检查真假数量和唯一解是否成立，如未完成检查需明确说明。
完整提示词，可复制复测
建议 编辑待补图：第4题的实际网页截图尚未取得，当前不使用示意图或官方案例替代。
第5题｜数据魔术师：谁真的更强
观察维度：统计分析、口径转换与解释。
请直接制作一个交互式数据作品《数据魔术师：谁真的更强》，交付为单个“05-数据魔术师.html”文件。所有资源内嵌，断网双击运行，无须安装依赖。以约4分钟完成为目标。
使用以下虚构教学数据，明确标注“模拟数据，不代表真实产品”：
甲模型：简单题100道，答对90道；困难题400道，答对120道。
乙模型：简单题400道，答对320道；困难题100道，答对20道。
视觉要求：
做成有冲击力的数据新闻页面，以两种高对比色区分甲乙模型。用动态条形图、题目构成色块和数字变化，展示从“总体比较”切换到“按难度比较”的过程。数字和标注必须清晰。
核心功能：
1. 展示总体正确率、简单题正确率、困难题正确率，全部从数据计算。
2. 一键切换总体和分组视图，让观众看出：甲在两种难度里都更高，总体却更低。
3. 为甲乙分别提供“简单题占比”滑块，范围10%—90%，步长10%。每个模型总题数保持500，分组正确率保持不变，实时重新计算答对数、总正确率和排名。
4. 提供“统一为各50%简单题”的按钮和恢复原始数据的按钮。
5. 页面结论必须随实际结果变化，正确处理甲领先、乙领先和持平，不能写死标题。
6. 用不超过180个汉字解释原始排名反转的原因，以及比较模型时为什么需要统一题目构成。不要把模拟数据推广成对真实模型的结论。
7. 保留一张可展开的明细表，让用户能核算图表数字。
有文件工具就直接保存。完成后报告原始总体正确率与统一题目构成后的结果，并说明实际验证过哪些交互。
完整提示词，可复制复测
建议 编辑待补图：第5题的实际网页截图尚未取得，当前不使用示意图或官方案例替代。
第6题｜风暴前线：最后十二分钟
观察维度：三维工程、多约束调度与确定性回放。
制作一个可旋转、缩放的三维救援模拟《风暴前线：最后十二分钟》，交付为单个内嵌全部代码、图形和数据的网页文件，断网双击运行，无需安装依赖。
海岛上有八处求援点、三支不同能力的救援队、两个安置点，行动窗口为十二模拟分钟。立体地形、建筑、车辆、道路、动态海面和天气效果必须由真实三维几何、透视相机、深度缓冲和着色器绘制。拖动可以旋转，滚轮可以缩放，选中队伍显示当前路线。
求援任务有真实人数、接载耗时和截止时间；队伍有不同载客上限与医疗资格；安置点有容量限制。派单时就要预留床位，多个队伍不能重复领取同一任务、超载、超额占用床位或越过医疗资格要求。
按固定时间表发生风暴封路，路径搜索必须考虑预计进入路段的时刻。用户可以追加人工封路并恢复。已经驶入路段的车辆允许驶出，但其他车辆不得新进入禁行路段。未接载任务无法到达时释放任务和床位，已经载人的车辆返程受阻时保留人员状态并等待。
提供协同匹配、最近优先、紧急优先三种策略。协同策略实际枚举当前空闲队伍的可行分配组合，显示候选数、检查次数与排除原因；不能把当前批次评分最优冒充全程最优。
自动保存完整历史快照，支持暂停、回放、回到实时和从回放时刻创建新分支。允许从同一状态复制三个未来，用同一套引擎、相同天气和既有在途任务，分别模拟三种策略直到结束，再展示实际安置人数与行驶距离。不能预设胜者或伪造比较数据。
所有结果、动画、人物数量和文字解释由同一份状态驱动。提供全局重置、快进结算和有依据的行动日志。检查人数守恒、床位容量、唯一派单、医疗资格、路径变化、历史分叉、确定性重放和预测结果与实际后续执行的一致性。记录真实制作时间，并明确哪些验证实际执行过。
完整提示词，可复制复测
建议 本题的三维离屏图见前文；仍待补包含控制面板的完整网页截图。
公开成绩里，最值得认真看的能力
GPT-6 Astra于2026年9月3日发布。官方成绩中，我更关注需要动手执行的项目：终端任务57.9%对上一代37.3%，软件工程74.1%对72.7%，业务自动化41.4%对18.1%；数学与科学也有明显进展。
| 领域／基准 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|
| 终端操作／Terminal-Bench 4.0 | 57.9% | 37.3% |
| 软件工程／DeepSWE 1.1 | 74.1% | 72.7% |
| 业务自动化／AutomationBench | 41.4% | 18.1% |
| 电脑操作／OSWorld 2.0离线部分分 | 72.6% | 65.7% |
| 高难数学／FrontierMath第4档v2 | 97.6% | 83.0% |
| 科学工具任务／Terminal-Bench Science 0.1 | 64.6% | 22.4% |
官方研究环境或接口测试，取不同推理强度中的最高成绩；分数口径各异，不能把各项相加，也不等同于普通聊天中的完成率。
来源：OpenAI发布页及评测脚注。
我的使用判断是：**复杂编程、电脑操作、可检验的数学科学任务，值得优先交给它。**但网页是否漂亮、作品是否好玩，要单独看成品。官方自己的带工具“人类最后考试”成绩也落后于Fable 5.1，不能从几个领先项目推出全面第一。
ARC Prize的独立报告尤其说明问题：同为最高推理强度，标准运行方式是62.7%，换成保留推理上下文、支持压缩的供应商适配方式后是98.6%；99.9%来自另一档配置。模型没有换，围绕模型的运行方式会显著影响结果。这是特定交互环境的得分，不能直接翻译成“已经解决通用智能”。
另一个容易传错的数字，是独立机构Artificial Analysis的综合榜。9月3日首发文章引用旧版指数，Astra与Sol约同为61分；9月4日指数更新为4.2版。9月6日读取的模型页显示Astra为55、Sol为51、Fable 5.1为57。新版换了题目和权重，不能拿61变55说模型退步，也不能继续拿旧版并列说升级毫无收益。
来源：旧版首发测评、新版规则；当前模型页：Astra、Sol、Fable 5.1。
长文档工作也有进步信号。新版专业文档测试要求一个任务的全部检查条件都满足，Astra的全通过率为33.2%，Sol为28.2%，Fable 5.1为26.2%。能做更难的文档工作，不意味着每次都能完整交付；这个严格指标也不等于其余回答全错。
来源：新版指数中的专业文档评测口径。
安全研究是另一项强能力，但官方明确区分了无生产防护的能力测试与实际发布权限。普通用户不能因为演示里发现了漏洞，就认为产品会执行所有安全任务。长上下文方面，官方接口列出约105万词元容量；容量说的是能放下多少材料，不能替代对跨文档推理正确性的检查。
官方的漂亮作品，背后还有一套制作流程
官方展示的宇宙探索游戏有2048个恒星系统和上万颗程序生成星球，能降落、步行、再起飞。开发文章同时交代了概念图、视觉迭代、游戏引擎与浏览器旅程测试。读者能看到的是精心推进后的工程成果，不能把它缩成“一句话，几分钟，自动做出整款大作”。
来源：OpenAI官方游戏开发过程。
建筑案例也类似：模型生成可编辑几何，渲染后检查和修改，再进入漫游展示，流程中使用了外部环境与材质素材。这与本次“单文件、断网、无依赖、限时制作”的约束差别很大。拿两边的漂亮程度直接判输赢，比较条件就错了。
来源：OpenAI官方建筑可视化过程。
短板有几条证据能互相对照。Artificial Analysis首发报告里，复杂知识工作的分析质量提高了，呈现质量却下降；早期使用者马特·舒默也认为它擅长工程和电脑操作，但视觉品味与部分三维素材仍更偏爱Claude，长时间自主工作还会陷进细节。这些分别是独立测试与个人观察，不是我的复测结论。
来源：独立测评、马特·舒默的使用报告。
成本也不能只数生成速度。同一机构的编程任务里，它用量更省，最高推理强度的成本接近Sol；但综合指数的当前每任务成本约2.57美元，Sol约1.25美元。不同任务的省钱结论可以相反。知识可靠性虽然进步，困难知识测试仍存在明显幻觉，不能把长篇解释当作事实核验。
来源：编程用量与知识可靠性测试、Astra成本页、Sol成本页。
我现在会先让它做可检验的任务：代码能不能执行、资料能不能对应原文、参数变化能不能得到不同结果。对审美、游戏节奏、长任务收尾，则保留人工判断。这次第六题就是例子：系统复杂了，观感没有跟着提升。
现在轮到你：同一场雨，三个人的谎言
这是一道由模型编写故事、线索和网页的原创虚构题。它可以考察成品里的逻辑是否自洽，**不能拿“模型知道自己写下的答案”证明它解开了未知难题。**游戏页面与下面的谜面使用同一组规则、证词和物证。
雨把旧车站的玻璃洗成一面灰镜。末班车取消后，候车室只剩售票员林岚、检修工周迟和旅客沈砚。站长把装着次日纸质票册的红色手提箱放在长椅上，去配电间查看故障，回来时箱子不见了。
停电只有半分钟。应急灯亮起时，墙钟不再走动。沈砚袖口有一块新鲜黑印，林岚捏着票夹，周迟攥着手套。警员封住出口，在检修柜找回红箱，三人分别留下笔录。谁最紧张，不算证据。
重点 给定规则：只有拿走箱子的人恰好说了1句假话；另外两人的3句陈述全部为真。四份物证可靠，时间按标注口径读取。请找出唯一符合条件的人。
三份笔录，每人三句话
林岚 · 售票员
① 停电那会儿，墙上的钟停在二十三点十二。我记得清楚。
② 记录器写二十三点九分三十五秒时，我就在售票亭里。
③ 红箱找回来时，封扣没有坏。这一点我敢肯定。
周迟 · 检修工
① 墙钟停住那一刻，红箱还在长椅上。
② 断电不是二十三点十二，是记录器的二十三点十分。
③ 箱子后来找到了，封扣还完整。你们可以检查。
沈砚 · 旅客
① 二十三点十分零五秒，我在饮水机前。
② 我袖子上的黑印，是蹭到没干的油漆。
③ 警员来前，箱子没再回过那张长椅。
四份可靠物证
- **物证01／墙钟校时单：**墙钟比独立记录器快2分钟。实际停电时间为23:10:00，墙钟在断电瞬间停摆，随后没有被拨动。
- **物证02／长椅重量记录：**独立电池记录器显示，红箱于23:09:40移离长椅；此后直到警员到场，没有回到长椅。
- **物证03／备用监控：**按独立记录器时间，23:09:35林岚在售票亭，23:10:05沈砚在饮水机前，人物识别已经核验。
- **物证04／现场鉴定：**检修柜找回的红箱封扣完好，箱体没有黑油污；沈砚袖口黑印与饮水机旁未干的新漆一致。
先选一个人，再指出具体哪句话与哪份物证冲突。只说“检修工能接触柜子”或“旅客袖子脏了”，都还没有完成这道题。网页中可以切换人物、标记疑点、打开物证、提交指认，也可以重新调查。
建议 还没作答？先打开游戏。完整解答从下面开始。
警告 答案区 · 以下直接揭晓人物、关键时间和九句证词的真假。想自己推理，请先停在这里。
答案：周迟。破绽在停钟的那一刻
墙钟比记录器快2分钟，所以墙钟显示23:12时，对应的实际时间是23:10。长椅重量记录则证明：红箱在23:09:40已经被移走，而且没有回来。也就是说，钟停之前20秒，箱子就不在长椅上了。
| 实际时间 | 可靠记录 | 说明 |
|---|---|---|
| 23:09:35 | 林岚在售票亭 | 支持林岚第②句 |
| 23:09:40 | 红箱离开长椅 | 此后直到警员到场未回 |
| 23:10:00 | 停电；墙钟停在23:12 | 此时长椅上已经没有红箱 |
| 23:10:05 | 沈砚在饮水机前 | 支持沈砚第①句 |
周迟说“墙钟停住那一刻，红箱还在长椅上”，与前两份物证直接矛盾。他另外两句——实际23:10断电、封扣完整——都有可靠记录支持。因此他恰好一假，符合拿箱者的给定规则。
| 人物 | ① | ② | ③ | 假话数 |
|---|---|---|---|---|
| 林岚 | 真：墙钟显示23:12 | 真：监控在亭内 | 真：封扣完好 | 0 |
| 周迟 | 假：箱子已离开20秒 | 真：实际23:10断电 | 真：封扣完好 | 1 |
| 沈砚 | 真：监控在饮水机 | 真：鉴定为新漆 | 真：重量记录未回 | 0 |
林岚说的是墙钟读数，因此没有说谎。沈砚袖口的黑印看着可疑，但鉴定已经解释了来源，也没有与箱子建立联系。题目用情绪和外观引开注意力，真正能核验的冲突是时间。
这个答案严格依赖“拿箱者恰好一假、其余全真”的设定。删掉这条规则，仅凭周迟说错一句话，还不足以在现实案件中认定谁拿了箱子。小游戏的边界，也应该像模型评测的边界一样写明。
如果你刚才选中了周迟，看看你找的是那20秒，还是只凭职业猜中了人。我觉得后者恰好能提醒我们：有时答案看起来对了，过程还没站住。评价模型如此，评价一款做出来的小游戏也是如此。
原始资料与讨论入口
文中数字以2026年9月6日读取的资料为准。上面的链接对应原始发布、评测机构与作者本人；热度只说明讨论多，不能代替可靠性。
Hacker News发布讨论：当日下午采集快照为2225分、2044条评论；这能确认它是高热度讨论，不能据此宣称全网热度第一。
中文测试整理：9月5日发布，文章注明测试由粉丝提供。我读取了文章，没有观看其全部视频，也没有复跑，作为中文补充入口。
公开评测原图图录：把图和出处一起留下
按来源保留已取得的评测图、官方制作案例图和原网页视频封面。官方交互图表记录本次打开的默认配置；不同推理档、工具、成本轴和测试版本不能混着比较。动图保留原文件，视频封面不代表本文完整观看或复测了视频。广告、作者头像、品牌标志、相关文章推荐图不属于本次评测图录。
官方发布页：30项图表
安全任务包含无生产防护的研究设置。研究环境成绩不等于线上产品权限，也不等于日常成功率。截图包含完整图表，下方解释及各测试脚注请以原网页为准。
官方发布页：交互行为对比
这是官方挑选的交互示例，展示需求澄清和协作差异，不能据此计算普遍胜率。
独立机构首发测试：旧版指数
这是9月3日的旧版指数图，保留当时的结论和口径；当前排名请看紧接着的4.2版图，不跨版本作升降比较。
独立机构新版测试：4.2版指数
交互推理：运行方式与行动效率
早期使用者：游戏制作效果
官方游戏开发：概念、实机与工程验证
官方三维制作：模型、材质与引擎效果
我正在做的四个小工具
黑粉剪辑 HyphenCut
对话式视频剪辑器，自带MCP，可以由智能体操作剪辑流程。
- 当前状态：正式迭代
- 下载与更新
黑粉盒子 HyphenBox
免费大模型接口雷达，加上本地统一路由。
- 当前状态：初步构建 · 预览版；面向苹果芯片Mac，自签名，首次需手动放行
- 下载与更新
方寸智匣 LocalBrain
把Mac变成私有人工智能工具箱，整合转写、配音、生图、视频与MCP。
- 当前状态：持续迭代
- 下载与更新
ScreenLex 光影词库
把本地电影字幕里的生词变成可复习的英语词库，全程离线。
- 当前状态：持续迭代
- 下载与更新