New Model Test
New Model Test 是一个公开记录新模型评测过程的档案仓库：每个阶段保存原始 prompt、模型交付物、运行与测试方法、视觉证据和复盘报告，并把它们整理成 VibeTest 展示站 vibetest.gabrielmu2006.cn。目前档案里有四个模型在同一套 Phase 1 的 15 道题上的成果，以及 Phase 2 已测部分的运行；仓库与展示站已统一更名为 VibeTest（旧链接会重定向）。
公开展示站 VibeTest
- 规模：4 个模型 / 2 个阶段 / 20 个已归档任务（计划 45）/ 70 条运行 / 115 条评价 / 5 份阶段评估，共 206 个静态页面与 59 项成果预览。
- 界面按 Digital Museum / 编辑出版物风格重建：暖色纸质底、衬线标题、1px 分隔线，作品优先、不做排行榜；精选作品使用同样的宽度与预览比例，不标注「最佳模型」。
- 交互：
⌘K或/唤出命令面板全站搜索，任务类型 / 模型 / 阶段 Chip 筛选，同题运行并排对比（选择写入 URL，可分享与刷新恢复），成果 iframe 预览与深链；缺失值一律显示「未记录」，不推断、不补零。 - 模型页按「艺术家档案」组织，阶段页按「展览季」组织，页脚固定写明「忠实引用归档来源，不生成综合排名」。
第一阶段（15 题 × 4 模型）
- DeepSeek-V4.1-Flash（0910 实验版，DSH harness）：15/15，
93.6/100引自历史 AI 报告；task-11 的 21 项几何测试与 52 项浏览器检查、task-12 的 198 项引擎检查与 69 项浏览器检查、task-13 的 112 项逻辑断言、task-14 的 49 项金融断言与 73 项交互断言及 9 页审计、task-15 的 3,861 项引擎断言与 244 项浏览器检查均通过。 - Muse Spark 1.3（opencode 1.18.29）：15/15 交付，
86.5/100是两份 AI 非盲评的均分（v1 84.9 + 另一份 88.1）；task-12 与 task-15 的「未通过」经复核属于交付方式问题——交付物用 ES module，file://打开被浏览器按 CORS 拦截，经 HTTP 服务后功能正常。 - GPT-5.6 Sol（Codex CLI 0.147.0）：15/15 交付，
82.9/100来自维护 agent 的非盲评 v3；无人工评价。 - K3（Kimi Code CLI 0.42.0，thinkingEffort max）：15/15 交付，
93.3/100来自维护 agent 的非盲评 v4（每题 1 份 AI 评价）；工具调用遥测完整可见，因此走逐维度审查而非「无遥测默认遵守」，15 题未发现越界、5 题记录了/tmp、/Applications等程序性环境探测；快照 idk3为 harness 报告值，供应商侧快照未经独立确认。 - 四份评分来自不同评委与不同口径，不可直接比较；Harness、预算与隔离等级也不同。
第二阶段（Task 16–45，已测 16–20）
- DeepSeek-V4.1-Flash：Task 16–20 共 5/30，
91.0/100来自 Muse Spark 1.3 的 AI 评价。 - Muse Spark 1.3（xhigh，opencode 1.18.30）：同题 5/30，
88.2/100来自维护 agent 的非盲评 v2，并附可复现取证脚本与截图。 - 其余 25 题尚未测试；本阶段每题目前只挂 1 份 AI 评价，人工评价待产出。
工程与验证
- 成果按
Test_Results/<模型>/phase-NN/归档，题目在PROMPT/，展示站在website/（Astro + TypeScript），维护、测试与发布规范在docs/、AGENTS.md与test-workspace/。 - 生产索引由导入器从归档来源确定性生成到
website/data/catalog.json，实体为 Phase / Task / Model / Run / Artifact / Review；未知值记为null，不用 0 补齐，批次费用不拆成单题费用。 - 模型身份按组织者决定处理：0910 实验版与随后发布的正式版
DeepSeek-V4.1-Flash视为同一模型、成绩同表，但每条运行单独标注 harness 报告的 model id 快照，跨快照比较必须标明差异。 - 发布前为上一可用版本打不可变回退标签（
website-rollback-<日期>-<短SHA>），站点经 GitHub Actions 部署website/dist。 - 已知限制：第一阶段 DeepSeek 归档未记录 model id，页面显示「未记录」；Muse Spark 的逐字
prompt.txt为事后补录；隔离等级为workspace-only，污染状态clean是组织者判定且原始日志未封存，不能读作「无污染」。
设计原则
来源优先。 每条运行指标、Prompt 和评价都保留文件与行定位，并绑定各自的归档提交。
评价分离。 人工评价、各版 AI 评价与展示站自身的验证分别记录、并列展示，不静默合并；同一运行可以挂多份不同评委的评价。
缺失即缺失。 未知配置显示「未记录」，不推断单题费用或模型能力。
同题才比较。 只有同一任务版本的运行才能进入对比，跨模型比较必须注明 harness、预算与隔离差异；展示站不生成综合排名。
Insight. 这次重建最有意思的取舍是「用美术馆的方式做评测」：四个模型的作品用同样的尺寸并排陈列，不标记最佳，分数只作为带出处和评委信息的引用出现，进度条上还写着 20/45 和分母来源。把评测做成档案展而不是排行榜，等于承认排名本身是一种口径选择——这种克制比多一列总分更难得。
Showcase. vibetest.gabrielmu2006.cn
Repository. GabrielMu2006/VibeTest