我们的测评方法：让过程和结果都能被检查

01当前状态：已有案例，尚无标准化评分

教程侧重帮助你复现一个任务，测评则需要记录条件和实际表现。两者可以引用同一个案例，但不会把一次顺利演示直接当作普遍结论。

已经有一份个人网页任务演示记录，提供产物与截图，但它不是标准化模型测评，不计入评分或排名。

新增：Lin 个人网页案例实测，基于已有产物分析本次完成程度，保留未验证事项，不计入模型排名。

02每次测评记录六项信息

1. 环境：测试日期、操作系统、应用版本、模型与推理设置。
2. 输入：完整需求、初始材料和预先约定的完成标准。
3. 过程：开始与结束时间、重试、人工修改和权限交互。
4. 产物：源文件、可查看的结果、关键截图。
5. 验证：哪些检查通过，哪些失败或没有执行。
6. 成本：仅记录可见的实际用量与费用；无法获得时标为“未获取”。

03怎样判定结果

完成

预先约定的检查全部通过，产物可以检查。

部分完成

有可用产物，但仍有明确未满足的要求。

未完成

核心目标未实现，并说明最后停在哪一步。

未验证

没有完成必要检查，暂不作成功或失败的结论。

将来比较不同模型时，会尽量使用相同任务、材料和约束，并明确披露不能保持一致的条件。单次测试只对该次任务提供证据。