Concourse Divide

Зафиксированные оценки

Каждый артефакт был создан в соответствии с изданием 2.1 этого краткого руководства и опубликован точно в том виде, в каком был предоставлен. страница запуска модели содержит ссылку на запись запуска, которая указывает, какие проверки на уровне исходного кода были выполнены, какие проверки остаются для обзора человеком и чем эта доставка отличается от эпизода с одним сообщением через размещённый API.

• GPT-6.1 Тера gpt-6.1-terra

  27.10.2026 · 3 файла · 19,6 КБ

  Открыть артефакт
• Kimi K3.1 Pro k3.1-pro

  2026-10-26 · 3 файла · 21.8 КБ

  Открыть артефакт
• MiniMax M3.1 Flash MiniMax-M3.1-Flash

  2026-10-27 · 3 файла · 49,3 КБ

  Открыть артефакт

Что это проверяет

видимый маршрут перенаправления агента, предотвращение столкновений и восстановление после заблокированного соединения.

Предлагаемая сложность

Поиск пути в Tower Defense становится двусторонним движением с динамической топологией, агентами ограниченного радиуса, заторами и восстановлением.

Это гипотезы проектирования, а не наблюдения сбоев модели. Эмпирическая проверка не измерялась.

Одно сообщение, один HTML-ответ

Дайте каждой модели точно полный запрос как одно сообщение от пользователя. Она возвращает один автономный HTML-документ в одном ответе, без использования инструментов, внешних ресурсов, зависимостей или последующего исправления. Ментальная проверка не является доказательством выполнения; оператор выполняет фактическую оффлайн-проверку в браузере после этого.

Не добавляйте BENCHMARK-PROMPT.md к этому краткому описанию.

Руководство и правила прохождения

Пять бинарных наблюдений на каждое краткое описание, без числовых оценок или весов рубрики. Проход засчитывается только, если соблюдены все критерии и протокол одного документа в оффлайне. Непроверенные элементы считаются не наблюдаемыми. Проверяйте при разрешении 1280×720 и узком окне; сохраняйте непорезанные доказательства и отделяйте эстетические предпочтения от функциональных наблюдений.

A1: изменение маршрута

Выбранный маршрут и толпа явно отклоняются после закрытия. Сбой: тот же путь через рольставни или декоративное наложение маршрута

A2: физическая толпа

Тела уважают стены, ворота и друг друга; занятые ворота разряжены. Сбой: наложение, дробление, телепортация, исчезновение

A3: разъединенное состояние

Закрытая сеть обеспечивает безопасное ожидание и правдивое «нет маршрута». Сбой: блуждание через стены или преждевременное прибытие

A4: восстановление

Переоткрытие только на юге доставляет всех 48 за 90 секунд симуляции. Сбой: постоянная пробка, завершение таймера, пропавшие агенты

A5: проверяемость

Стабильные ID, следы, подсчеты, инициализированный сброс, пауза, используемые элементы управления. Сбой: анимация счетчика отсоединена от фактической популяции

Пройдено: Проход требует выполнения A1–A5 и офлайн-протокола для одного документа. Полное восстановление длительности просматривается отдельно от короткого редакционного клипа. Незначительные числовые колебания контакта не считаются пересечением тел; длительное видимое перекрытие или обмен телами через друг друга — это провал.

Элементы управления и последовательность проверки

• Переключайте Север, Центр и Юг с помощью кнопок или ворот. Щелкните на агенте, чтобы просмотреть его идентификатор, маршрут и след.
• Пауза замораживает движение и следы; Сброс восстанавливает тот же начальный семя и всех 48 агентов.

Сначала покажите идентичное закрытие Центра, затем вмешательство с полностью закрытым/Юг-открыт. Держите видимыми следы выбранных агентов. Если показывается ускоренное истечение, укажите скорость и реальное время симуляции; никогда не показывайте 90-секундную проверку как 20 секунд реального времени.

Просматривайте за пределами примеров

Измените порядок ворот, выберите другие идентификаторы, переключайте занятые ворота и проверяйте количество после закрытия всех ворот. Обзор источника должен устанавливать маршруты, зависящие от геометрии, и постоянных агентов, а не базу созданных анимаций ворот. Закрытие ворот оценивается только после завершения их заявленного состояния истечения.

Версии и исправления подсказок

Superbench 2.1 сочетает четыре новых контракта v21 с Ember Glider и Low-Poly Tower Defense в качестве возвращающихся брифов 1.x. Возвращающиеся промпты и их существующие артефакты сохраняют оригинальный протокол выполнения в репозитории; они не переназначаются как генерации версии 2.1 без инструментов. Superbench 2.0 сохраняет v2, в то время как оставшиеся результаты ядра, специалистов и архивные результаты версии 1.x сохраняют свои оригинальные протоколы. Исторические оценки не переносятся и не сравниваются количественно между изданиями.

Издание 2.1 является контрактом запуска. Изменения в поведении, элементах или критериях допуска требуют нового документированного издания; будущие оценки должны сохранять точную оцененную версию подсказки. Типографические исправления должны быть идентифицированы.