本轮已获得可复核的改善。较便宜的GPT-6 Luna在新预留题 7/12 → 12/12合格；MiMo为 6/12 → 10/12。作为对照，Deepseek 在原10场景调优集由 12/20合格、83分 提高到 20/20合格、95分；冻结配置后，新预留题从同期原提示 9/12 提高到 12/12。工具按模型和场景选择，统一加工具会造成退步。

接续上一轮11模型基线。本轮聚焦基线、较便宜的MiMo/GPT/Muse，以及免费Space Bunny。测试通过OpenCode Go真实模型API完成，复现本项目AI业务场景；不是OpenCode编码代理全流程测试。项目代码未修改，未部署或写远程数据库；实验脚本和结果均在项目外临时目录。

1. 测什么，怎样判合格

原10场景覆盖所选失败用例提示、英文代码对话与逐行批注、空代码下一步、教师建题、独立题意断言、引用课件的知识点、无相关来源、教师提交诊断，以及代码流程图与扫描真值表OCR。它们取自本项目AI入口及实际输出约定。

每次按预设5条准则评分，至少4/5且没有关键错误才合格。批注行号错误、断言违背原始题意、虚假引用、泄露具体题解、非法生成输入或缺少规定最大规模均影响合格。请求失败、截断、无有效回复和项目解析拒绝计0分。人工语义裁判由本助手担任，没有让被测模型互相打分；人工裁判未隐藏模型身份。

只改提示与统一工具配置各100次，5模型×10场景×2次。4轮小规模试错另有56次；兼容修正2次，协议探测5次，以及最初遗漏User-Agent导致403的5次探测错误，均保留且不计主表。失败没有被成功重跑覆盖。每次45秒总预算、无自动重试；工具配置最多3个模型轮次，建题最多2个，最多6个工具调用。每个实验最多两并发，兼容探测曾短暂与提示词复测重叠；预留对照统一两并发且随机交错。

参考程序通过已有本地Clang/WASI判题服务运行。每份使用40个独立固定和随机合法输入；Python裁判按原题定义算预期，另核对模型自造输入元素数量、边界、覆盖与预期。统一工具配置：9份可解析草稿，360/360独立输入通过；仅优化提示：8份可解析草稿，320/320独立输入通过；预留原提示：9份可解析草稿，320/360独立输入通过；预留优化配置：6份可解析草稿，240/240独立输入通过。参考程序正确仍可能因自造测试不足而不合格。

2. 同场景调优：哪里改善，哪里退步

图 1｜原提示、提示优化与统一工具配置

图 1｜原提示、提示优化与统一工具配置

表中分数保留部分满足准则的得分；合格数同时排除关键错误，因此高分不等于可交付。原项目提示来自上一轮同题复测，时间并非同期。此处用于调优选择，独立验证见下一节。

Deepseek 的核心收益来自批注原文定位、原始brief优先的断言，以及避免空代码时扩展整题。Muse仅优化提示已20/20，无需强行加工具。GPT不调用工具时仍会把前导空行和注释数错，行号工具值得保留。MiMo的纯提示提高到17/20，但工具轮与JSON对象模式并用时出现尾部控制标记并被项目解析拒绝；后续适配只关闭工具轮JSON对象模式，最终JSON仍正常解析验证，没有剥离标记来掩盖失败。

Space Bunny统一工具配置降到11/20，主要是推理占用输出预算、截断和多轮耗时。其OCR和无来源返回已经稳定，保留原配置；知识点与断言采用短提示，建题只保留构造输入工具。

3. 冻结配置后的新题对照

预留任务在调优开始时生成并保存哈希，模型在冻结前没有收到这些输入。2026-10-06 13:04（中国时间）冻结模型/场景映射、提示词、工具代码和协议适配；随后在同一个随机队列中交错运行原提示与优化配置，5模型×6新任务×2次×2组，共120次。结果未用于进一步调优。

新题变更了分支倍数与输入、前导空行数、来源ID、连续段目标从正数变负数、最大规模从100变60、分档阈值与标签、递归主题从阶乘变最大公约数，扫描表改为异或。原任务事实、格式与评分难度保持对应，避免只记住原题数字。

图 2｜预留题同期对照

图 2｜预留题同期对照