Краткая версия 17 · Редакция Prompt 2.0
Павильон Prism Freight
Постройте отполированный интерактивный выставочный павильон для грузов в одном автономном HTML-файле: шесть помеченных экспонатов занимают шесть площадей пола, а точный алгоритм находит наилучшее законное расположение или объясняет наименьший набор правил, которые нужно убрать, чтобы его создать.
Прочитайте полный запрос
1 записанная оценка этого замороженного задания · артефакты опубликованы без редактирования
Зафиксированные оценки
Каждый артефакт был создан согласно редакции 2.0 этого брифинга и опубликован точно в том виде, в котором был доставлен. 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.
Что это проверяет
Многокритериальное рассуждение в компактном артефакте; точное статическое распределение, оптимальность, невозможность и минимальное ослабление.
Предлагаемая сложность
сложнее, чем Watch/Stormwind, по корректности комбинаторики и объяснениям невозможности; намеренно менее требовательно в 3D-визуализации. Небольшая область поиска предотвращает значение «сложнее» как неограниченных вычислений.
Это гипотезы проектирования, а не наблюдения сбоев модели. Эмпирическая проверка не измерялась.
Одно сообщение, один HTML-ответ
Один полный запрос как одно сообщение пользователя; один автономный HTML-ответ. Без инструментов, внешних зависимостей или последующих исправлений во время создания. Частное рассуждение неограниченно. Позднее человек-ревьюер проверяет артефакт в браузере; самостоятельно заявленный успех модели не является доказательством.
Не добавляйте BENCHMARK-PROMPT.md к этому краткому описанию.
Руководство и правила прохождения
Каждая рубрика имеет пять бинарных критериев, каждый из которых оценивается в 20 баллов за дизайн. Присуждайте балл за критерий только тогда, когда все указанные проверки прошли успешно; в противном случае присуждайте ноль. Это веса рубрик, а не оценки моделей. Для прохождения необходимо выполнение всех пяти критериев, каждого элемента встроенного контроля и общего контрольного этапа: ровно один автономный HTML-артефакт, отсутствие внешних запросов или зависимостей, никакие инструменты в процессе генерации и отсутствие механизмов-заглушек. Проводите проверку при разрешении 1280×800 и 390×844 с использованием навигации с клавиатуры и уменьшенной анимации. Используйте бухгалтерские книги, экспорты, независимую арифметику и анализ исходного кода.
- Точное назначение · 20 проектных баллов
- Контрольный список 2 и 6; исчерпывающие 720 кандидатов, подсчет легальности, стоимость и оба способа разрешения равенства совпадают с независимой проверкой.
- Обоснование невозможности · 20 проектных баллов
- Контрольный список 4–5; [c1] минимален для A, закрепленного на 4; противоречия по вместимости и дублированию креплений нельзя «исправить» удалением мягких правил.
- Согласованность состояния · 20 проектных баллов
- Контрольный список 3 и 7; изменения недействительны для результатов, ручные нарушения остаются видимыми, Применить и Сброс имеют указанный охват.
- Точность доказательств · 20 баллов за дизайн
- Экспорты, доли затрат и согласие совета после установки по умолчанию и правок рецензентов; источник использует фактическую конфигурацию и полный поиск.
- Артефакт и удобство использования · 20 проектных пунктов
- Совместный шлюз доставки плюс контрольные списки 1 и 7; иллюстрированная доска, инструкции, клавиатура, мобильное устройство, уменьшение движения и темы.
Пройдено: каждый критерий и пункт контрольного списка.
Просматривайте за пределами примеров
рецензенты варьируют веса, предпочтительные отсеки, контакты и включенные правила в пределах заявленной области, включая ничейные и невыполнимые случаи; используйте независимую арифметику перестановок вместо счетчика приложения. Исправленные примеры принятия — это проверки здравого смысла, а не вся область. Это оригинальная система экспонатов, а не воссоздание известной головоломки. Косметическое переименование не заявляется как средство предотвращения запоминания; редактируемые входные данные и обязательства по доказательству выполняют эту функцию.
Версии и исправления подсказок
Результаты Superbench 1.x сохраняют свои исходные протоколы. Рабочий процесс core/specialist repository-run не планирует v2. Медиа-поддерживаемый протокол специалиста City Scroll остается отдельным. Результаты разных версий количественно несравнимы, и никакие исторические показатели не переносились.
Издание 2.0 является контрактом запуска. Изменения в поведении, приспособлениях или критериях прохождения требуют нового документированного издания; будущие оценки должны сохранять точно ту же версию оцениваемого запроса. Типографические исправления должны быть указаны.