PR #196 补充了 Codex + GPT-6 Astra xhigh 搭配 skill 的完整 56 题评测，累计 reward 43.02/56，55 道有效评分题均分 78.2182/100，32 题满分，并提供了与 Luna、Terra、Flash 同题对比，Astra 均分更高。报告明确说明不能据此声称已通过受控实验取得完整 56 题 SOTA，也不应将 Astra 的 56 题均分直接与其他模型较小集均分比较。
根据原始讨论自动整理，来源与完整记录可在下方查看。
证据与时间线
验证状态
尚未验证
维护者回应
尚未处理
作者回应
尚未记录回应
目前找到的最早来源
未知
2026年9月9日 01:09
生命周期
正在出现
监测范围
5 份自动关联的原始来源；来源关系与独立性未经人工核验
首发可信度 · 0%
本站首次发现 · 2026年9月9日 01:58
暂无记录到的交叉引用或传播链。
提案：用较弱模型（deepseek-v4-flash）做配对评测，恢复基准区分度并补充时间/成本维度
打开来源 在新标签页打开docs(benchmark): add Astra xhigh full-56 results and matched comparisons
打开来源 在新标签页打开fix(benchmark): 七道报告题默认使用LLM评分
打开来源 在新标签页打开Benchmark 跑批结果总览：模型 × harness × 条件矩阵（S+H 全系列）
打开来源 在新标签页打开feat(study): add study-v1 artifact integrity manifests
打开来源 在新标签页打开首条原文《benchmark: step5-preview S1-S24 双臂运行归档 + 双判分结果》写道：“StepFun Step 5 Preview（OpenCode Zen 供应，公开发布名；预览端点背后精确 checkpoint 未经独立验证；opencode 编排）在 S 系列基准上的完整 24 题双臂运行、双判分与重跑 follow-up 归档。”。目前只收录了这一份原文。
首条原文《feat(benchmark): S18 terminal sprite render trap (half-block SGR leak, trim ghosting, timer pinning)》写道：“Summary Adds benchmark task S18-terminal-sprite-render-trap (static, read-only report): a terminal half-block sprite renderer whose three independent rendering bugs (SGR background”。另有 36 份相关原文已收录，正在比对它们是否描述同一件事。
首条原文《feat(benchmark): H22 not-listed trap — the package that installs but never registers》写道：“Distilled from a real top-tier failure: anywhere-labs/dsh-desktop (22k★) failed our 50-plugin live verification on 09-01 with exactly this shape — dsh plugin add succeeds, the entr”。另有 31 份相关原文已收录，正在比对它们是否描述同一件事。
