五维横评 · 榜单
按 agenticness 五维（autonomy / env / goal / learn / temporal）评判模型在真实生产、工作、学习场景下的可用性。 本页只读“判定层”（这道题按预设硬项到底算不算过）：一格=一道题的一次跑（同一题 k 取均值），按标准答案里的硬项（gold）逐条判真假后定下的 pass。
榜单（模型 × 五维）
快照读取中…
快照日
| 模型（臂） | 可判 n | autonomy | env | goal | learn | temporal | 合计 pass | 中位（P10~P90） | 剔除 | 上屏 |
|---|---|---|---|---|---|---|---|---|---|---|
| 加载中… | ||||||||||
★ 维格里的百分数是**可判部分 pass 率**，括号内是**可判格数**；不可判的格不进分母（读法离开覆盖率会误导）。 「上屏」= 任一家模型在任一维上 ≥50% 不达标。
读法与门槛（硬要求，逐条写明）
| 报的是哪一层 | 判定层（按 gold 硬项判 pass）；不是覆盖层（覆盖层＝抓进多少条目） |
|---|---|
| 样本单位 | 一格 = 一道题 × 一次跑（同题多 k 先取均值） |
| pass 定义 | 全部硬项为真；任一硬项判不了则 pass=None（不猜、不默认放行） |
| 不可判格 | 既不算对也不算错，不进分母，单独列数 |
| 读数纪律 | 每个读数必带 n；合计给 中位与真 P10~P90；错配格（错腿 / status≠ok）剔除并单列，且把「本批废格」与「陈账」分开 |
| 上屏门槛 | 任一家模型在任一维上 **≥50% 不达标**才入表（判据只由客观硬项判，主观分不进门槛） |
| 不可验披露 | 缺 self_proof=verified 的格（即"读不到实际腿"）仍留在分母，但**单列披露** |
| 跑法列 | 多段 / 单段 / 混跑给**比例**，不写"是或不是"；同模型不同跑法不当第三家模型比 |
| 限流重试 | 印出占比但**不剔除**（重试格 ≠ 一次过格） |
| 判分程序指纹 | — |
| 数据构建 | scripts/relay/bench_build.py |
逐题明细（按模型折叠）
默认只列**干净格**；勾「连剔除格一起看」可把错腿/废格按原因列出。硬项逐条给出真/假/判不了。
加载中…
真源：`LLM五维横评/runs/<日期>/<臂>/**/{manifest,judge}.json`。 本页不重跑、不重判，判分口径直接取自 LLM五维横评/runner/judge_gold.py。