# simple_v4 当前评测汇总：五个样本 × 六个生成模型 更新于：2026-11-02T17:25:27+08:00（北京时间）。 **五个样本共30份产物均已完成评分：30/30通过启动Gate，60/60个最终选定的功能/体验会话有效，无待补齐总分。** 累计保留80次会话尝试，其中20次是首轮以外的尝试。最新两题的重试已全部结束。 **这些是评分Agent的原始分数。** 结构、证据记录和合分通过技术校验，不代表评分理由已全部人工认可。五题执行预算和工具修订存在差异，跨题均分只用于观察当前分布。 阅读导航：[总分一览](#2-五题总分一览) · [执行差异与终态](#4-执行过程与当前终态) · [五题功能-rubric-全文](#7-功能-rubric-全文与统一档位) · [公共六维与全部档位](#8-公共六维体验-rubric定义边界与全部档位) · [展示仓库](#9-展示仓库与发布范围) ## 1. 当前怎么评 ```mermaid flowchart TD A[五题 × 六模型：30份产物] --> G[启动Gate：30/30通过] G --> F[FUNC Agent：每题6或7条功能Rubric] G --> E[EXP Agent：公共六维体验] F --> V[结构与证据校验：60/60侧有效] E --> V V --> S[功能50分 + 体验50分：30份完整总分] S --> R[语义复核：已有风险记录，尚未全面完成] ``` 每份产物由两个Agent独立探索并直接评分；评分模型均为`claude-opus-5-5`，表中的模型名称是**生成产物的模型**。功能分=`ΣFi/(5N)×50`，体验分=`ΣEi/30×50`，总分为两者之和。当前默认预算为功能30分钟、体验20分钟；历史会话按原预算保留。 ## 2. 五题总分一览 按五题等权平均总分降序排列。均分由未舍入的原始分数计算；每题分数和平均分均显示两位小数。数学同分保留固定模型顺序，不把浮点尾差当作名次差。 | 生成模型 | 能量滑板 | 酸碱溶液 | 直流电路 | 基因表达 | 温室效应 | 五题平均总分/100 | |---|---:|---:|---:|---:|---:|---:| | claude-opus-5-5 | 85.00 | 85.00 | 83.81 | 87.14 | 83.33 | 84.86 | | kimi-k3.1-pro | 76.67 | 81.67 | 84.05 | 87.38 | 76.67 | 81.29 | | claude-opus-5 | 70.00 | 83.33 | 82.38 | 85.48 | 83.33 | 80.90 | | qwen3.8-max | 76.67 | 85.00 | 80.48 | 77.86 | 73.33 | 78.67 | | kimi-k3 | 75.00 | 85.00 | 82.38 | 83.81 | 66.67 | 78.57 | | glm-5.3 | 75.00 | 78.33 | 70.48 | 53.57 | 68.33 | 69.14 | 此均分不是统一预算下的正式排行榜，也没有重复采样的误差范围；不据此将相近分数解释成稳定优劣。 ## 3. 各题明细（均按总分降序） ### V6-042 Energy Skate Park｜能量滑板 功能Rubric：6条。完成：6/6。实际预算：功能20分钟／体验8分钟。 | 生成模型（链接为原报告） | 功能/50 | 体验/50 | 总分/100 | |---|---:|---:|---:| | claude-opus-5-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 38.33 | 85.00 | | qwen3.8-max（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 30.00 | 76.67 | | kimi-k3.1-pro（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 40.00 | 36.67 | 76.67 | | glm-5.3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.00 | 30.00 | 75.00 | | kimi-k3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 43.33 | 31.67 | 75.00 | | claude-opus-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 41.67 | 28.33 | 70.00 | 本题功能分范围40.00–46.67（极差6.67）；体验分范围28.33–38.33（极差10.00）。 ### V6-001 Acid–Base Solutions｜酸碱溶液 功能Rubric：6条。完成：6/6。实际预算：功能20分钟／体验8分钟；Qwen体验第四次改为20分钟。 | 生成模型（链接为原报告） | 功能/50 | 体验/50 | 总分/100 | |---|---:|---:|---:| | claude-opus-5-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 48.33 | 36.67 | 85.00 | | qwen3.8-max（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 38.33 | 85.00 | | kimi-k3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 38.33 | 85.00 | | claude-opus-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 36.67 | 83.33 | | kimi-k3.1-pro（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 46.67 | 35.00 | 81.67 | | glm-5.3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 43.33 | 35.00 | 78.33 | 本题功能分范围43.33–48.33（极差5.00）；体验分范围35.00–38.33（极差3.33）。 ### V6-030 Circuit Construction Kit: DC｜直流电路 功能Rubric：7条。完成：6/6。实际预算：功能20分钟／体验8分钟。 | 生成模型（链接为原报告） | 功能/50 | 体验/50 | 总分/100 | |---|---:|---:|---:| | kimi-k3.1-pro（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.71 | 38.33 | 84.05 | | claude-opus-5-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 47.14 | 36.67 | 83.81 | | claude-opus-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.71 | 36.67 | 82.38 | | kimi-k3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.71 | 36.67 | 82.38 | | qwen3.8-max（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 47.14 | 33.33 | 80.48 | | glm-5.3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 37.14 | 33.33 | 70.48 | 本题功能分范围37.14–47.14（极差10.00）；体验分范围33.33–38.33（极差5.00）。 ### V6-063 Gene Expression Essentials｜基因表达 功能Rubric：7条。完成：6/6。实际预算：功能30分钟／体验20分钟。 | 生成模型（链接为原报告） | 功能/50 | 体验/50 | 总分/100 | |---|---:|---:|---:| | kimi-k3.1-pro（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.71 | 41.67 | 87.38 | | claude-opus-5-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 47.14 | 40.00 | 87.14 | | claude-opus-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 47.14 | 38.33 | 85.48 | | kimi-k3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 47.14 | 36.67 | 83.81 | | qwen3.8-max（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 42.86 | 35.00 | 77.86 | | glm-5.3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 28.57 | 25.00 | 53.57 | 本题功能分范围28.57–47.14（极差18.57）；体验分范围25.00–41.67（极差16.67）。 ### V6-074 Greenhouse Effect｜温室效应 功能Rubric：6条。完成：6/6。实际预算：功能30分钟／体验20分钟。 | 生成模型（链接为原报告） | 功能/50 | 体验/50 | 总分/100 | |---|---:|---:|---:| | claude-opus-5-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 48.33 | 35.00 | 83.33 | | claude-opus-5（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.00 | 38.33 | 83.33 | | kimi-k3.1-pro（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 45.00 | 31.67 | 76.67 | | qwen3.8-max（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 41.67 | 31.67 | 73.33 | | glm-5.3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 38.33 | 30.00 | 68.33 | | kimi-k3（内部审计来源；本站公开数据见 data.json 与 evaluations/） | 40.00 | 26.67 | 66.67 | 本题功能分范围38.33–48.33（极差10.00）；体验分范围26.67–38.33（极差11.67）。 ## 4. 执行过程与当前终态 - **能量滑板：6份完整。** 沿用20/8分钟预算；早期存在模型等待、会话超时与实现修复，后续成功结果均保留，冻结快照62个文件哈希未改变。 - **酸碱与电路：12份完整。** 原预算20/8分钟；Qwen酸碱体验前三次480秒均未形成可发布结果，第四次按用户授权延长为1200秒，在976.606秒正常完成。其体验38.33，总分85.00；其他有效分数没有因此重跑。 - **基因表达与温室效应：12份完整。** 统一采用30/20分钟预算。首轮有6份产物的12侧因API Key达到60 RPM上限而收到429，并非产品零分；这12侧的第二次尝试全部成功。该批共36次会话尝试。 - **并发与退避：** 重试先逐侧串行，随后按用户要求恢复最多4个评分会话并发。新会话在同一控制器内共享约2秒一次的请求放行间隔，遇429共同退避65秒；此控制不覆盖其他共用Key的任务。当前该批已结束，无正在运行或排队的评分会话。 执行差异应随结果一起保留：酸碱/电路期间修复了细步长滑块展开为大量按键的工具阻塞；新两题将EXP提示中的能量滑板专属操作改为依据本题Query探索；四并发重试新增共享节流。功能档位、公共体验六维和50/50权重保持不变，不能将五题称为完全相同执行条件下的结果。 ## 5. 现在能观察到什么 功能分并非所有题都挤在一起：酸碱仍较集中，基因表达分布更宽。这个现象只能说明当前产物与评分组合产生了不同分差，还不能独立证明Rubric设计好坏。基因表达GLM的主视图遮挡已有截图支持，但个别条目的扣分归因仍需复核。 后续统一复盘优先检查已记录的几类问题： 1. 把“没有验证完”写成轻微缺陷并给4分，而不是报告证据不足。 2. 把点击定位失败、截图超时直接归因为产品卡顿。 3. 同一根因跨功能条目或体验维度重复扣分，未说明独立影响。 4. 增加Query没有要求的布局或表现要求；忽略允许的非线性示意映射。 5. 将短暂视觉过渡误判为持续旧状态，或将可用但拥挤的布局算作功能不可达。 **复核范围：** 酸碱/电路已阅读最终完整评分理由，并做风险抽查和部分只读复演；新两题目前只有部分语义检查与截图抽查，不是24侧全部完成语义复核。本文汇总与校验不改写原始评分。 ## 6. 原始记录与下一步 - 能量滑板实现、分数与已知问题（内部审计来源；本站公开数据见 data.json 与 evaluations/）；冻结快照（内部审计来源；本站公开数据见 data.json 与 evaluations/）。 - 酸碱/电路最终报告（内部审计来源；本站公开数据见 data.json 与 evaluations/）；完成审计（内部审计来源；本站公开数据见 data.json 与 evaluations/）；语义复核（内部审计来源；本站公开数据见 data.json 与 evaluations/）。 - 基因表达/温室效应执行记录（内部审计来源；本站公开数据见 data.json 与 evaluations/）；最终总表（内部审计来源；本站公开数据见 data.json 与 evaluations/）；完成审计（内部审计来源；本站公开数据见 data.json 与 evaluations/）；语义观察（内部审计来源；本站公开数据见 data.json 与 evaluations/）。 - 酸碱/电路Rubric（内部审计来源；本站公开数据见 data.json 与 evaluations/）；基因表达/温室效应正式Rubric（内部审计来源；本站公开数据见 data.json 与 evaluations/）。 - 本汇总的机器可读数据与来源哈希（内部审计来源；本站公开数据见 data.json 与 evaluations/）。 当前无需再补齐这五题的评分。下一步可按原计划，统一比较五题的分差与逐条理由，先复核上述风险，再讨论Rubric和执行器的优化；不因分数高低挑选重跑。 ## 7. 功能 Rubric 全文与统一档位 以下从各题实际评分时的冻结 spec.json 提取；同题六模型定义逐项一致。功能共32条，不以统一条数替代每题需求。功能各条等权，按条数归一化到50分。 - **0分**：基本未实现，或完全无法完成本条核心目标。 - **1分**：有实现尝试，但核心逻辑或结果严重错误，基本不能支持目标实验或操作。 - **2分**：部分能力可用，但存在关键缺失或错误，明显影响本条核心目标。 - **3分**：核心目标成立，但仍有影响准确性或使用的局部问题。 - **4分**：主要能力正确完整，仅有明确、轻微且不影响核心目标的问题。 - **5分**：对本条主要要求已有充分取证，在实际检查范围内未发现可确认缺陷。 ### V6-042 能量滑板 · Energy Skate Park（6条） 冻结 Query SHA-256：`c4035b9ea4c885f4bcbc0a31f88b11788dcd0872a5db1000187554a4e0ec954d`。 #### F1 实验建立与参数控制 能否按 Query 选择左右坡、直接放置滑行者，并精确设置质量 20–100 kg、释放高度 0–30 m、居中粗糙区长度 0–20 m、摩擦系数 0–0.20；轨道含 20 m 水平谷底、两侧升至 30 m；参数、位置和静止初态相互对应，有合理默认条件。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 #### F2 无摩擦能量转化与质量对照 无摩擦时，下坡势能转为动能、上坡反向转化，返回高度与多次往返的机械能基本守恒；保持其余条件一致改变质量，相同位置速度关系不变、能量规模随质量变化。采用 Query 指定的理想质点模型、重力常量和势能零点，不能依靠补能或独立动画伪造现象。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 #### F3 摩擦耗散与真实停止 摩擦仅在粗糙区生效，大小与方向符合模型；热能按实际摩擦路程累积，机械能损失与热能增加对应，含热能总量基本守恒；改变摩擦或长度能观察耗散差异；动能耗尽后停在实际位置，不跳点、不反向启动。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 #### F4 运行控制与状态语义 释放、暂停、继续、重新释放和恢复默认符合含义；暂停冻结位置、科学时间和采样；运行中改摩擦只影响未来，不重算已有热能或历史、不重启实验；改质量或释放位置建立新的静止实验，清除运动记录并说明原因；预览不进入运动数据，停止后仍可编辑和重跑。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 #### F5 读数、图表与说明 高度、速度、动能、势能、累计热能、总能量和单位可读；能量图与时间曲线使用可比较标尺，与运动和读数来自同一实验状态；历史点有对应时刻，查看旧点不改变当前实验；中文说明、单位、近似误差与模型限制可查且与实现相符。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 #### F6 可用性与健壮性 主要操作可用键盘完成，拖动有点击或数值替代，状态不只靠颜色；390×844 窄屏仍可使用主要控制、观察主体和关键读数，允许滚动或折叠；错误输入不破坏已有实验，快速操作以最新状态为准；视角可调整并复位到完整轨道，不改变科学状态。 本条冻结版本未单列 boundary 字段；以本条定义和冻结 Query 为准，不追加后续题目的细化边界。 ### V6-030 直流电路 · Circuit Construction Kit: DC（7条） 冻结 Query SHA-256：`4ab0c4adc582db33b5af6b1304e42959aa9c43e6a05b4b71f5c900c956077fbc`。 #### F1 自主接线与拓扑编辑 提供一个理想直流电压源、两个线性电阻、三个理想开关和可增删导线，用户可自主连接、断开端口、移动元件，并在搭好后继续改接。能建立单电阻、串联和并联电路，提供串联、并联及空白起点。端口允许分支，导线交叉仅在明确接点处连通；移动元件保留连接。具有合理默认参数，可精确设置电源 3–12 V 和电阻 10–100 Ω；接线预览不改变真实连接。 **评分边界：** 本条评价真实拓扑能否被建立与修改，不能只靠切换三个固定演示替代自主接线。连接正确之后的数值归 F2，开关和后续操作的状态同步归 F3；移动元件时表笔附着归 F4。 #### F2 正常电路的定量求解 根据当前真实连接求解理想直流稳态，满足欧姆定律、节点电流守恒和功率关系。单电阻回路中改变电压、电阻后电流与功率正确；串联与并联满足分压、分流及总电流关系，改变一个电阻后两电阻结果均按实际拓扑更新。电源总电流、等效电阻和每个电阻的电压、电流、功率持续可查。断路时相应电流为零，电源电压仍存在；被导线旁路的电阻电压、电流和功率均为零。 **评分边界：** 本条看有确定物理意义的电路量是否正确。不能把所有断路节点一律置零来替代求解。表笔参考电位及不可测量状态归 F4，电源短路无有限解归 F5；正确数值的展示组织归 EXP。 #### F3 开关、改接与连续状态更新 并联支路可独立断开和恢复，另一支路在理想电源下不受影响，总电流随之更新。开关、删线、改接、参数调整与恢复默认后，线路、开关状态、读数、功率及电流示意都对应当前电路，不保留旧电路结果。暂停示意只停止动画，改接与计算仍即时生效。错误输入保留最近合法值，连续操作后各表示保持一致。 **评分边界：** 本条评价状态转换和同步。静态公式错误归 F2；正确公式却在删线后沿用旧结果、暂停后不计算，属于本条。与短路直接相关的失效与恢复集中归 F5，表笔对象保持归 F4。 #### F4 双表笔测量与参考电位 红黑表笔独立附着到端口，读数是红端减黑端的电位差，交换表笔改变符号，始终可识别测量的两个端口。选择或移动其他器件不偷偷改变附着，移动被测元件保留表笔。理想电压表不扰动电路；同一电气节点电位差为零，与电源脱离的无源连通部分内部等势，但其相对电源的绝对电位未定义。未接好的表笔或没有共同参考的测点应说明原因，不显示假零或旧值；不能仅凭回路断开就判所有电压为零。 **评分边界：** 本条覆盖测量对象、符号及有效性，不要求显示任意选择的绝对电位基准。正常电路全部电位共同算错主要归 F2；正确电位下的表笔符号、参考关系或有效状态错误属于本条。 #### F5 短路识别、失效读数与恢复 电源两极被理想导线或闭合开关直接连通时，识别为没有有限稳态解，突出造成短路的连接，并停用受影响的失效读数，不能继续给出貌似有效的有限电流、功率或旧结果。用户断开短路连接后立即恢复正常求解和测量，无需刷新；不能靠禁止一切此类接线来替代所要求的短路状态与修复过程。 **评分边界：** 本条专门评价电源短路及恢复，不把电阻旁路误判为电源短路。异常提示是否具有视觉层次由 EXP 评价；本条看是否识别、定位和正确处理失效状态。 #### F6 功率、电流示意与模型说明 两电阻功率图采用共同标尺，各自标出 3 W 参考线；超限只提示程度，不改变电阻或自动断开。电流示意采用传统电流方向并说明含义，与当前有效电路一致；理想导线冗余回路中逐段电流可能不唯一，不能编造确定的精确流速。中文量名、单位与模型限制可查，说明与理想直流稳态实现一致，不擅自引入电源内阻、温变、电容电感或烧毁机制。 **评分边界：** 功率计算本身归 F2；本条评价标尺、参考线、超限语义以及示意的科学含义。暂停控制归 F3。说明是否生动、美术表现是否精细不改变本条功能分。 #### F7 操作可达性与使用保障 主要接线、断线、元件移动、开关操作、参数设置和表笔放置能通过键盘完成，拖动有点击或数值替代。中文界面通过文字、线型或标记等辅助颜色表达连接、选中、极性和异常；窄屏仍可完成主要实验并访问关键读数，允许合理滚动或折叠；提供简短运行说明。 **评分边界：** 本条看操作是否可达及关键状态是否能被辨别，不要求特定交互布局。拓扑、计算、表笔或短路本身的错误归对应条目，不在这里重复汇总扣分。 ### V6-001 酸碱溶液 · Acid–Base Solutions（6条） 冻结 Query SHA-256：`5d6fc9c720fe7734d5c6f2bb36f27be38f3e201b3265aeaf120ed502138142e4`。 #### F1 双杯配制、稀释与状态独立 A、B 两杯均可独立选择单元强酸、单元弱酸或单元强碱，使用对数调节与精确输入设置 0.0001–0.100 mol/L 的分析浓度，配方与当前浓度公开且有合理默认值。切换类型保留浓度，改变浓度保留类型。十倍稀释以该杯当前浓度为基础得到新样品，不累计杯中体积；低于下限时拒绝并说明，不裁剪到下限。错误输入保留最近合法样品，一次操作只生效一次，快速连续操作不串杯。 **评分边界：** 本条看“建立和改变了什么样品”。平衡结果是否算对归 F2，工具是否跟对对象归 F3。稀释按钮错误地除以 100 属于本条；浓度正确但平衡结果错误属于 F2。 #### F2 酸碱平衡与定量关系 按 Query 的 25°C 理想模型计算三类样品：强酸、强碱完全解离；弱酸使用 Ka=1.00×10⁻⁵，满足 `x²/(C−x)=Ka`，解离比例为 `x/C`，不能在整个浓度范围仅用平方根近似。H⁺、OH⁻ 通过 Kw=1.00×10⁻¹⁴ 关联，pH 由 H⁺ 计算，强碱的 pOH/pH 关系成立。支持同浓度强弱酸及酸碱对照，改变浓度或稀释后重新平衡；弱酸稀释时主离子浓度降低、pH 升高、解离比例增加，不能机械地让 pH 每次增加 1。 **评分边界：** 本条评价科学关系和数值正确性，允许 Query 明确允许的水对主离子浓度微小修正的忽略。底层计算错误导致多处同步显示错误时，主要在本条说明；粒子或曲线自身另有映射错误，再归对应条目。科学模型不扩展到混合、滴定、中和、弱碱或活度。 #### F3 工具独立附着与有效测量 pH 探针和粒子观察窗可分别选择附着对象，并能交叉放在不同杯。当前编辑杯、测量杯、观察杯可区分；选择另一杯编辑不改变工具归属，重新配制或稀释只更新对应样品及其附着工具。pH 仪表标明杯号与有效状态，至少显示到 0.01；探针移出后不将旧值当成当前有效读数。工具未附着或移出时状态明确，理论值即使保留显示也不能冒充实测。 **评分边界：** 本条看测量对象与读数有效性，不重复验算 F2 的平衡公式。观察窗跟错杯属于本条；跟对杯后粒子组成画错属于 F4。 #### F4 粒子组成与浓度表示 粒子观察窗区分未解离溶质、主离子与反离子，给出相应定量浓度和解离比例，并对应当前样品。固定观察体积下，浓度降低使示意密度降低；允许注明的非线性映射，但不能把图标数当成真实分子数。弱酸稀释时粒子密度与解离组成分别响应，不能将所有粒子同比缩少替代新的平衡组成。液体保持清澈，不按类型或 pH 虚构显色；配制动效不冒充真实反应动力学。 **评分边界：** 本条看科学表示是否忠实于样品，不以粒子数量多少、材质精细程度或动画复杂度打分。F2 的数值正确而粒子不更新、类别错误或密度映射失真，属于本条的独立问题。 #### F5 理论曲线、读数与模型说明 在共同坐标下呈现强酸、弱酸、强碱的理论 pH–log C 关系，并标出两杯当前类型和浓度对应的位置；改配后标记随之更新。理论曲线、理论值与有效测量明确区分，不把曲线说成逐点实测。量名、单位、图例及中文模型说明可查，与实际实现一致，支持用户对照三类样品并理解模型适用范围。 **评分边界：** 本条看图表能力、坐标与标记对应关系以及说明的存在和正确性。探针有效状态归 F3；曲线与数值共同源于错误公式主要归 F2。图表布局、美观及解释是否容易理解由 EXP 评价。 #### F6 操作可达性与使用保障 主要配制、稀释、工具放置与移出操作能通过键盘完成；拖动提供点击或数值替代。界面使用中文，编辑对象、工具归属和有效状态不只靠颜色表达。窄屏仍可完成主要实验并访问关键读数，允许合理滚动或折叠；提供简短运行说明。 **评分边界：** 本条看实际能否完成操作，不因个人偏好的布局或快捷键方案扣分。非法浓度与快速操作的样品完整性归 F1，测量状态归 F3；这里不再次计为笼统“健壮性”问题。 ### V6-063 基因表达 · Gene Expression Essentials（7条） 冻结 Query SHA-256：`008010236f177a300a42cc0c050925d8f2f17b130ddc85b25e19c3c18e40ecac`。 #### F1 四参数调控与合法输入 激活强度a与抑制强度r可在0–1内精确设置，k_M可在0.05–0.30 τ⁻¹、k_P可在0.02–0.20 τ⁻¹内精确设置，有合理默认值。空值、非数或越界输入保留最近合法值，并在附近说明范围。当前四参数值可查；运行中参数修改立即参与此后的演化，快速连续操作以最新合法状态为准。 **评分边界：** 本条评价参数能否精确输入、合法值是否正确保留、运行中是否采用新值。α计算及其后的科学演化统一归F2，正确α的显示同步归F4；暂停编辑的特殊语义归F3。不能要求Query未规定的滑块步长或固定默认值。 #### F2 转录—翻译—降解动力学 从τ=0、M=P=0出发，由当前a/r得到α=0.2(1+4a)(1−r)，按dM/dτ=α−k_M·M、dP/dτ=0.5·M−k_P·P演化；M、P为可取小数的非负平均拷贝数。固定参数时趋向M*=α/k_M、P*=0.5·M*/k_P。提高激活或降低抑制先影响M，P通过M随后响应；翻译无需解锁，M>0时存在翻译生成项。r=1时停止新转录，已有M仍被翻译并逐渐衰减，P按生成与降解净效应变化并最终衰减。提高降解系数仅改变此后演化，不瞬间删除已有存量。相同参数历史、相同τ下结果不因帧率或真实时间节奏改变，τ推进稳定。 **评分边界：** 求解方法自选，不能强制解析解或某一积分算法；比较须考虑显示精度和数值误差。r=1后P可能暂时继续上升，不能强制立即下降；M>0表示翻译生成项为正，不表示P净增长必为正。输入已正确接受后，α公式、积分、耦合或稳态错误均归本条；控件没有接受或传入合法新值归F1。显示提前归零而内部状态仍正确归F4；分子示意失真归F5。 #### F3 暂停编辑与两类重置 运行/暂停状态始终可识别。暂停时τ、M、P、曲线及分子过程同时停止演进，仍可观察和编辑参数；新α与系数立即显示，标明恢复后用于演化，已有存量与曲线不变。恢复后从原状态按新参数继续。一种重置只将M、P、τ归零并重开曲线，保留当前参数；另一种完整恢复默认参数与初态。连续暂停、编辑、恢复、重置后以最新状态为准。 **评分边界：** 本条只评价时间控制、暂停编辑与重置。暂停允许镜头和选中操作，不要求整个界面冻结；不擅自规定重置后必须运行或暂停，但界面状态与实际行为须一致。正常运行的动力学归F2，普通参数输入归F1。 #### F4 同源读数、时间曲线与模型说明 持续显示当前τ、α、M、P，调控改变时α显示即时更新；M/P读数及随τ变化的曲线来自同一模型状态，近期窗口足以观察先后响应与趋稳。微小非零M保留足够精度或采用科学计数等表达，不能显示为已经停止。方程、系数、稳态关系及其平均水平含义可查，明确方程与系数为教学简化；说明τ是教学时间而非真实秒，M/P是平均拷贝数而非真实浓度，a/r是抽象无量纲强度而非具体转录因子浓度。模型适用范围可查：原核单基因确定性的平均水平，不表现随机转录爆发、多细胞差异、密码子、折叠或序列编辑。 **评分边界：** 本条看读数、曲线、单位和解释是否存在且与状态一致，不要求固定小数位、固定窗口长度或额外历史对照图。曲线与读数共同源于错误模型主要归F2，正确模型下的显示错位、丢失历史或过早显示为零归本条；图表美观和易读程度由EXP评价。α单位可由方程推出，发布包将其未直接写出列为非强制细节；不增加独立的α单位标签硬性扣分点。 本条的模型说明评价其存在与正确性；场景实际画出细胞核或核输出归F5，不仅因同一场景错误再扣本条。 #### F5 分子过程与模型状态联动 DNA序列保持不变，DNA→mRNA→蛋白质关系持续可见；转录活动疏密跟随α，翻译活动跟随M，降解对象的淡出节奏跟随对应降解系数。关闭转录后不能同时关闭仍由已有M支持的翻译；随M趋近零，翻译示意连续变稀。分子仅为示意，不与平均拷贝数逐个对应，渲染数量上限不影响数值；常驻说明“示意粒子，读数为平均水平”，并说明大小、间距、动画时间与颜色为示意。场景保持原核细胞模型，不呈现细胞核或核输出，也不通过修改DNA序列解释产量变化。 **评分边界：** 本条看分子表示的科学含义和联动，不能以图标计数等于M/P、固定动画频率或复杂动画作为额外要求。示意活动稀疏时不要求每个瞬间都出现分子事件；先确认参数与模型状态正确，再判断动画是否独立失真。暂停时分子不停止归F3；材质、造型精细程度归EXP。 数值正确但转录、翻译或降解示意不跟随模型属于本条；数值与示意共同源于F2的模型错误时，须说明是否另有独立的表示问题。 #### F6 三维观察与分子选中联动 三维细胞局部剖面支持环绕和缩放，可聚焦DNA与RNA聚合活动所在的转录区、mRNA与核糖体所在的翻译区，并能回到主要观察面。选中mRNA或蛋白质时，突出其来源、去向、对应公式项与当前值。镜头、聚焦、返回与选中只改变观察方式，不改变参数或科学演化。 **评分边界：** 本条评价观察与选择能力及状态独立性，不以是否符合某种固定镜头角度或美术风格评分。运行时观察前后M/P自然演化不是镜头污染状态，应结合暂停或相同τ比较；突出显示可用场景或联动面板实现，不强制特定布局。 选择功能缺失或错指对象归本条；对象与公式内容本身错误归F2或F4。 #### F7 操作可达性与使用保障 界面使用中文；主要参数设置、运行/暂停、两类重置、观察与选择操作可通过键盘完成，拖动有点击或数值替代。关键状态不只依赖颜色，窄屏仍能完成主要探究并访问关键读数、曲线和说明，允许合理滚动或折叠；提供简短运行说明。 **评分边界：** 本条看主要操作实际是否可达，不指定快捷键或布局。参数合法性、暂停、数值、曲线或选择本身的错误归对应条目，不在这里汇总重复扣分；可操作但布局或文字不佳由EXP评价。 ### V6-074 温室效应 · Greenhouse Effect（6条） 冻结 Query SHA-256：`4625742e7225ea37fa51a7d43fd0028822d1d85228a4dad100c6e5f8db7bbf0b`。 #### F1 三参数自由组合与即时改配 太阳输入S可在1000–1600 W/m²、地表反照率a在0–0.8、大气红外吸收率ε在0–1内自由组合并精确输入范围内任意值，默认取类地条件。无效或越界输入保留最近合法值并就近说明范围；参数改变后温度、能流、账本与公式代入立即对应新的平衡状态。快速连续操作采用最新合法参数，短暂视觉过渡不锁定操作。 **评分边界：** 本条评价参数能力、合法状态及更新同步；合法参数下的平衡公式错误归F2，通量公式或账本项目错误归F3。允许有限显示精度，不把“任意值”解释成无限精度；不能只提供若干预设替代精确输入。视觉过渡本身不是更新失败，须区分短暂过渡与持续旧值。 #### F2 平衡温度、温标与公式核验 按全球平均单位面积模型，用σ=5.670374419×10⁻⁸ W·m⁻²·K⁻⁴及K温标计算F=(1−a)S/4、Ts⁴=F/[σ(1−ε/2)]；ε>0时Ta⁴=Ts⁴/2。改变S、a或ε后温度符合当前参数及该关系。ε=0时Ts⁴=F/σ，大气温度显示“不适用”，大气不参与红外交换并就近说明；很小的正ε仍计算Ta，不能将其粗略当作0。ε=1、a=0及其允许组合仍正确，无NaN、无伪极限温度。计算不使用已舍入显示值。 Ts与Ta持续显示并标为“理想模型目标平衡值”，可在K与℃间切换，℃=K−273.15；ε=0时Ta在两种单位下均保持不适用。可展开公式区用当前参数逐步代入K值，说明平衡温度为何变化，单位可查。说明地表为红外黑体、大气为单层灰体，红外吸收率与发射率均为ε。 **评分边界：** 本条评价F及平衡温度核心模型，不强制特定内部算法或额外误差阈值。ε趋近0的正值与ε恰为0在Ta显示上不同，是Query规定而非异常。底层温度算错导致能流连带错误主要归本条；正确温度下的能流分路或守恒账本错误归F3。 温标换算和公式代入属于对同一个平衡解的展示与核验，不另立一条等权分；物理数值与公式展示共同出错时，按本条整体能力判断，不按错误处数累计扣分。 #### F3 七条能流与三处收支账本 持续给出当前S、a、ε、F及全部能流W/m²读数。全球平均入射S/4，反射aS/4直接回太空、不受大气影响；地表出射σTs⁴，直接逃逸(1−ε)σTs⁴，大气吸收εσTs⁴，大气向上与向下各发射εσTa⁴。地表账本F+εσTa⁴=σTs⁴；大气账本εσTs⁴=2εσTa⁴且上下两路分列；大气顶长波出射为F，加反射短波后总出射为S/4。账本与能流来自同组参数。零值项目保留行并显示0或消失状态；ε=0时吸收与发射均为零，不能因Ta不适用而产生无效通量。 **评分边界：** 本条看定量能流、项目完整性、分路及守恒，不把地表出射与其分路相加当作额外能量。账本残差需考虑显示舍入，不要求屏幕上独立舍入后的数值严格逐位相等。能流选择、高亮与示意方向归F4；账本视觉组织归EXP。 #### F4 能流追踪与吸收再发射的科学表示 入射短波、反射短波、地表出射、直接逃逸、大气吸收、大气向上发射、大气向下发射七条能流均可选择，突出来源、去向、真实读数及对应账本行；选中大气时同时展开吸收与上下两路发射。大气对短波完全透明，红外被吸收后由气层自身向两侧热发射，不画成沿原轨迹镜面反弹。短波/红外以色调、箭头和文字区分；光点表示方向与相对大小，数量不参与计算，能流宽度可压缩映射但保留真实读数。 界面说明模型忽略对流、潜热、云反馈、天气与地理差异，ε不是具体气体浓度，不预测现实温度或任何年代气候。光点和过渡是能量路径示意，不宣称动态加热过程，不伪造温度时间曲线，不用地球变红替代温度读数与账本；放大的地表—大气间距注明非比例，太阳方向明暗不暗示纬度温度。 **评分边界：** 本条看追踪交互及能量路径的科学含义，不能强制宽度线性比例、光点数量与能量逐个对应或某种粒子动画实现。零能流可以隐藏场景箭头，但须能经保留的项目查看其零值和含义，不要求点击不存在的光点。定量通量错误归F3，纯粹配色与质感偏好交给EXP。 这些说明界定能流图可以表达的物理含义，不要求额外气候数据、气体浓度标定或瞬态加热功能。说明的正确性在此检查，解释是否易懂及画面是否美观由EXP评价。 #### F5 三维剖面观察与科学状态独立 提供真实三维地球与大气模型，可旋转、缩放，在整球和剖面之间切换，剖面可观察地表—大气—太空层次；可暂停示意动画。旋转、缩放、剖面切换和暂停仅改变观察，不改变S、a、ε、温度、能流或账本。暂停动画期间修改参数，平衡计算与读数仍即时更新；恢复动画沿用当前参数。 **评分边界：** 本条评价观察功能与观察状态隔离。与基因表达不同，本题暂停的只是示意动画，不能暂停平衡计算。相机操作是否可达归F6；地球、大气壳的材质、光色与视觉风格由EXP评价，不把美术精细程度当成功能完整度。 普通改参后沿用旧结果归F1；仅在暂停动画或切换观察方式时出现的冻结、重置或污染归本条。 #### F6 操作可达性与使用保障 中文界面支持用键盘完成主要参数输入、七条能流及大气选择、公式展开、温标切换、视角与剖面操作、动画暂停；拖动提供点击或数值替代。选中、短波/红外、零能流及温度不适用等状态不只靠颜色区分。窄屏仍可完成主要探究并访问关键读数和账本，允许合理滚动或折叠；提供简短运行说明。 **评分边界：** 本条看操作可达性与关键信息可访问性，不规定特定控件、快捷键或布局。数值、追踪或观察功能本身的错误归各自条目；可用但布局拥挤、文字难读的体验问题由EXP评价。 ## 8. 公共六维体验 Rubric：定义、边界与全部档位 五题、六模型的冻结 experience 字段逐项一致。六维各0–5分、等权，原始合计30分，再换算为50分。5分表示在已覆盖范围内未发现可确认缺陷，并非对所有状态作无缺陷保证。 ### 任务风格与呈现一致性（`task_style_fidelity`） 以冻结Query明确规定的视觉目标为依据，评价主体身份、场景设定、表现形式、风格、光色与对象呈现是否按要求落实。 **评分边界：** 评价“是否做成了要求的样子”；不要求复刻未提供的参考图片，不把可自由设计的差异判为偏离，不以美术精致抵消任务偏离。 - **0分**：目标主体、场景或表现方向几乎没有得到呈现，无法将实际画面识别为该任务所要求作品的有效实现。 - **1分**：只能看到少量与主题相关的符号或表面元素；主导场景、表现形式或风格与明确要求明显不符，整体尚未建立目标作品的视觉身份。 - **2分**：主题和部分视觉特征已经建立，但至少一项决定目标呈现的关键要求被省略、替换或明显弱化，导致主体形态、场景气质或表现方式与任务预期存在实质差距。 - **3分**：主要场景、表现形式和风格方向符合要求，目标作品的视觉身份清楚；但局部光色、对象特征或呈现重点存在正常观看即可发现的偏差。 - **4分**：明确要求的主要视觉特征均得到充分落实，整体与目标呈现一致；只有仔细对照Query并检查局部画面，才能确认少量不影响主要视觉身份的细微偏差。 - **5分**：在当前可观察范围内，Query明确规定的视觉目标均得到清楚、连贯的呈现；逐项对照目标并仔细检查关键画面，未发现可确认的遗漏、替换或风格偏离。 ### 界面完整与观察组织（`layout_integrity`） 评价场景、控制、图表与说明的空间安排，关键对象和过程的可见性，以及遮挡、截断、溢出和布局稳定性。 **评分边界：** 评价“能否看全并顺畅跟随”；文字辨识归可读层级，布局是否像Query要求的视觉方向归任务一致性。 - **0分**：主要场景或控制大面积不可见、重叠或被截断，无法建立基本的实验空间关系，也无法有效观察过程。 - **1分**：布局存在广泛而明显的错误，主体、控制或关键过程持续难以定位，整体观察经常被遮挡、挤压或溢出打断。 - **2分**：整体布局可以使用，但某个关键对象或关键阶段存在明确的空间安排缺陷，例如主体被遮挡、主要信息被挤出或必须反复寻找，实质影响该部分体验。 - **3分**：主体与关键阶段均可观察，核心空间组织完整；正常观看仍能注意到局部拥挤、短暂非关键遮挡、对齐或留白问题，但无需明显补救即可跟随过程。 - **4分**：各主要区域和关键阶段组织自然，正常观看没有明显观察阻力；仔细检查才发现少量局部边距、对齐或非关键空间细节不够妥帖。 - **5分**：在当前视口和已覆盖阶段中，主体、控制与信息的布局均清楚稳定；仔细检查也未发现可确认的遮挡、截断、溢出、错位或不合理空间分配。 ### 文字可读与信息层级（`readability_hierarchy`） 评价量名、数值、单位、图例、操作提示与状态的辨识度，以及当前、历史和辅助信息的主次组织。 **评分边界：** 评价“能否找到、读出和区分信息”；不重新验算数值，科学表示的解释关系归科学表达。 - **0分**：核心文字或数值基本不可读，关键信息无法辨认，不能通过界面建立当前状态的基本认识。 - **1分**：字号、对比、标签或层级存在广泛明显问题，主要操作和状态信息普遍难找、难读或相互混淆。 - **2分**：大部分信息可读，但某类关键读数、单位、状态或当前／历史区分存在明确缺陷，影响对实验状态的读取或判断。 - **3分**：核心信息易找易读，主次基本清楚；正常查看仍能注意到局部小字、密度、标签或辅助信息分组不够清楚，增加少量查找成本。 - **4分**：主要信息的查找、读取与比较自然顺畅；认真检查时才发现少量辅助文字、刻度、基线或间距上的轻微不一致。 - **5分**：在所观察的各状态中，主要与辅助信息均清楚可辨、分组一致；仔细检查未发现可确认的标签歧义、单位辨识、层级混淆或排印瑕疵。 ### 美术执行与精细度（`visual_craft`） 在不替任务风格一致性重复计分的前提下，评价造型、线条、光色、材质、图标、仪表和局部连接是否完整、协调、精细。 **评分边界：** 评价“实际选择的视觉方向做得多好”；风格选错主要归任务一致性，不因写实、3D、特效多而加分，不将有意简化当作粗糙。 - **0分**：核心视觉大量缺损、损坏或为无效占位，主要对象难以辨认，未形成可供评价的完整美术表现。 - **1分**：形体、线条、材质或组件存在广泛明显的粗糙与冲突，拼接和未完成感支配画面，整体质量明显受损。 - **2分**：基本美术表达成立，但关键对象或主要区域存在明确的造型、连接、表面处理或组件执行缺陷，明显削弱辨识、完整感或视觉协调。 - **3分**：主要对象和界面设计完整、风格内部协调；正常观看仍能注意到局部轮廓、连接、光色、图标或材质处理欠精，但不破坏主体完成感。 - **4分**：整体完成精细、视觉语言连贯，正常观看不显粗糙；认真查看才发现少量边缘、接缝、光色过渡或组件细节尚有微小瑕疵。 - **5分**：在当前图像能支持的精度内，造型、连接、表面表现与界面细节均处理完整；仔细检查未发现可确认的占位、粗糙拼接或执行瑕疵，精简与风格化处理均有一致的设计依据。 ### 交互反馈与过程表达（`interaction_feedback`） 评价已执行操作与已观察过程中，当前状态、操作结果、对象变化和必要图形是否清楚、协调且易于跟随。 **评分边界：** 评价“用户能否知道发生了什么”；不重算功能成功率，不推断未执行动作，不认证毫秒响应或未采样时刻的流畅度。 - **0分**：已观察的主要操作和过程几乎没有可辨反馈，无法据实际画面理解操作结果或当前状态。 - **1分**：主要状态表达广泛缺失、冲突或中断，用户经常无法确定操作是否生效、主体在做什么或过程是否仍在进行。 - **2分**：主要反馈基本存在，但关键操作或关键阶段的提示、对象对应或衔接有明确缺陷，需要依赖猜测、等待或反复查找才能理解。 - **3分**：关键操作与过程反馈清楚，主体变化与状态表达基本协调；正常观看仍能注意到局部提示不就近、强调不足或非关键衔接不够自然。 - **4分**：已观察的操作、状态与结果表达直接自然，正常跟随无需猜测；认真检查才发现少量提示时机、强调位置或可见衔接上的细微瑕疵。 - **5分**：在本次实际执行和证据覆盖范围内，操作、状态与结果反馈始终清楚、连贯且适量；仔细检查未发现可确认的状态歧义、无效干扰或反馈衔接缺陷。 ### 科学可视化与理解支持（`science_communication`） 评价科学对象、量和关系是否通过适合任务的图形、数值、图表、标记与解释清楚呈现，便于对应、比较和理解。 **评分边界：** 评价“表达是否支持理解”；不重复计算科学正确率，不按图表种类、讲解字数、关卡数量加分，不强制专家面板或题单。 - **0分**：几乎没有可辨的科学表示，或可见表示无法与任务主题建立基本联系，不能支持理解实验对象与现象。 - **1分**：科学内容主要是脱节文字、孤立数字或互相割裂的图形，整体上难以把对象、量和过程联系起来。 - **2分**：部分概念与变化可以理解，但核心关系、关键状态、比较依据或对象与量的对应存在明确表达缺陷，实质影响对主要现象的理解。 - **3分**：核心关系与关键状态表达清楚，主要量和对象能够对应；正常观察仍能发现局部图例、比较方式、解释或表示关联不够充分，需要补充少量推断。 - **4分**：主要表示和解释自然支持比较与理解，正常体验没有明显概念表达障碍；仔细核对才发现少量标记、跨表示联系或辅助解释可以更严密。 - **5分**：在本次范围内，科学对象、关键关系和必要解释均清楚且相互支持；仔细检查未发现可确认的表达歧义、比较障碍、解释脱节或冗余干扰。 ## 9. 展示仓库与发布范围 独立展示仓库：[YHWmz/verifier_visualization](https://github.com/YHWmz/verifier_visualization)。收录本报告30份实际被评分的冻结产物、5份Query、32条功能Rubric、公共六维全部档位、逐项原始评分理由及所引用证据。此站按评测快照选产物，不能与旧展示站“只选生成正常结束产物”的筛选政策混淆。 导出保持模型应用文件字节不变；发布数据剔除内部绝对路径、运行凭证及API日志。证据JSON为脱敏展示副本，截图与应用文件保留原始字节。逐项评分不因导出而修改。Cloudflare由用户完成部署；仓库推送与线上部署是两个独立状态。