【模型横评3.0】Grok4.5｜Grok4.5fast｜composer-2.5｜GLM-5.2......

评测具体规则在此帖子

测试仓库
依旧使用本人的一个闭源的项目，以下是具体架构。
[image]
评测流程
开 work tree 跑两个测试题目，1 题和 2 题之间不会新开上下文窗口。
[image]
测试题目
上次我让 codex 出了一个比较具体的题，虽然没有那么细，但还是给得比较细。这次只给大体意图，让 AI 自己去做。
[image]
[image]
打分流程
单分支评测 = 每个模型自己…

我总结一下评测规则：

出题的仓库，根据我自己的一个闭源项目为基座开始。

1. 题目生成：GPT-5.5 根据自问自答的形式，一共出六道题。

2. 题目筛选：在六道题中，再让它通过自问自答挑出两道题。

3. 任务执行：同时开启 Work Tree，让不同的模型、不同的 Agent 去执行这两道题。

4. 单条评测：最后让 GPT-5.5 对单条 Work Tree 进行单独的评测。

5. 归一化测试：等所有的 Work Tree 都评测完以后，做归一化测试横评。

这次Grok4.5上了，我就想着用Grok build和Cursor都测一下

直接上结论

具体每个分支的简短扣分、加分详细评测结果在此文件。

普通题-r2-r3-current归一化复核-20260709.md.zip (7.7 KB)