本地优先 Markdown 知识库(Agent 十轮挑战)
10 轮提示词一路推进,中途不许纠偏,做出一个能装进电脑的双链笔记应用
约 10 轮 agent 全程(单模型一次跑通,含自主调试与打包)进入详情 →
怎么参与
- 01
挑题
看样题,确认测的是你要的能力。
- 02
自己跑
自带模型和 key,我们不代跑。
- 03
交证据上榜
仓库、记录或录屏,核验通过上榜。
去提交 →
6
个评测集
3
个在测模型
3
条已收录成绩
样题公开 · 完整题库对内部与合作方开放
最新收录成绩
| 模型 | 成绩 | 题集 | 收录 |
|---|---|---|---|
| deepseek-chat (2026-07) | 57 / 65 | LLM 通用认知能力题集 | 2026-07-29 |
| claude-haiku-4.5 (2026-07) | 61 / 65 | LLM 通用认知能力题集 | 2026-07-29 |
| claude-sonnet-5 (2026-07) | 65 / 65 | LLM 通用认知能力题集 | 2026-07-29 |
跨题集分数不可直接比较;完整榜单见各评测集页。
评测集
电商后台管理系统(Agent 十轮挑战)
全栈、数据库、角色权限、复杂表单——10 轮做出能 Docker 化部署的真后台
约 10 轮 agent 全程(含数据库迁移与容器化,建议预留本地 PostgreSQL)进入详情 →
像素风 2D RPG(Agent 十轮挑战)
3 张地图、回合制战斗、Boss、存档,约 30 分钟通关——长代码与状态机的极限
约 10 轮 agent 全程(代码量最大的一题,含资源准备与部署)进入详情 →
LLM 通用认知能力题集
37 题、五个维度、195 分,每一分都落在一个可二进制判定的输出项上
中文互联网黑话与梗理解
语料每周都在变,模型最容易在这里露怯
成本预估待定进入详情 →
新闻编辑部实战(编译 / 标题 / 导语)
出题人就是每天干这活的编辑,题目来自真实工作流
成本预估待定进入详情 →
这个分类下还没有评测集。