Skyhook Cargo

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 · 22,8 КБ

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

  26.10.2026 · 3 файла · 10,6 КБ

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

  2026-10-27 · 3 файла · 41,0 КБ

  Открыть артефакт

Что это проверяет

физика подвешенных грузов, твёрдый контакт и достоверная телеметрия.

Предлагаемая сложность

Расширяет сопряжённые механизмы Stormwind и управление движением Neon Drift с помощью подвижной точки подвески, переменной длины кабеля, постоянного контакта и завершения, выведенного из состояния.

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.

C1: инерция

Выпуск оставляет видимое раскачивание; реверсирование изменяет его непрерывно Неудача: Жесткое крепление, зафиксированная осцилляция, щелчки

C2: геометрия

Кабели остаются ограниченными; ящик и кабель учитывают башню; ящик опирается на поверхности Неудача: Растягивание, прохождение сквозь объекты, наложение, встраиваемая нагрузка

C3: правда HUD

Соответствие угловой дуги/индикатора положению; скорость и контакт следуют за сценой Неудача: Независимые счетчики или противоречивое состояние

C4: фактическая посадка

Частичное/быстрое приземление отклоняется; стабильный контакт всей стопой дает завершение за две секунды Неудача: Близость, прошедшее время или только кнопка дают успех

C5: пригодная презентация

Разборливый порт, глубина, элементы управления, пауза, изменение размера и повторяемый сброс Неудача: Скрытая цель, нечитаемый HUD, неработающие элементы управления или перезапуск

Пройдено: Для прохождения требуется C1–C5 и оффлайн протокол с одним документом. Числовые пороги — это требования к поведению, а не показатели модели. Проверьте источник, чтобы подтвердить телеметрию, и используйте общую симуляцию для посадки, если одного видео недостаточно.

Элементы управления и последовательность проверки

• Влево/вправо или A/D: ускорять тележку; отпустить, чтобы затормозить. Вверх/вниз или W/S и Кабель ±: поднять/опустить.
• Используйте удерживаемые элементы управления на экране, Пауза и Сброс.

Используйте одно и то же нажатие для сброса и ускорения/отпускания/реверса в течение одной секунды в каждом запуске, затем выполните отдельную успешную попытку посадки. Показывайте угол кабеля и контакт с башней в разделённом экране; подписывайте только наблюдаемое поведение. Не подразумевайте, что полная доставка произошла в начале клипа.

Просматривайте за пределами примеров

Повторите с короткими и длинными кабелями, чередуйте продолжительность ускорений, подходите к площадке с обеих сторон и делайте паузу на половине кольца осадки. Привлекательная автоматическая демонстрация не может заменить ручное взаимодействие. Никаких коротких путей к успеху не допускается.

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.