Hermes Decision Trace
小墨模型评测详情：ali-kimi-k2.5
ali-kimi-k2.5 当前最好分 118/160，最新分 118/160，处于 D｜轻量/不建议主线。建议角色：research worker / 文档治理 worker。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论ali-kimi-k2.5 当前最好分 118/160，最新分 118/160，处于 D｜轻量/不建议主线。建议角色：research worker / 文档治理 worker。
🧭
推荐路径如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
🛡️
关键边界本页是小墨场景评测，不等同于通用 benchmark。
关键判断
| 判断项 | 摘要 |
|---|---|
| 推荐方案 | research worker / 文档治理 worker |
| 关键依据 | 最新 run：20260520-170155__custom__ali-kimi-k2.5 |
| 落地方式 | 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。 |
| 风险边界 | 本页是小墨场景评测，不等同于通用 benchmark。 |
证据摘要
- 最新 run：
20260520-170155__custom__ali-kimi-k2.5证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-170155__custom__ali-kimi-k2.5.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-170155__custom__ali-kimi-k2.5.json证据点 3 - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>证据点 4
行动清单
如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
新 run 完成后，刷新本详情页和横向总览页。
若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
边界 / 风险
风险点
本页是小墨场景评测，不等同于通用 benchmark。
风险点
同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
风险点
对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。
完整记录
小墨模型评测详情：ali-kimi-k2.5
结论
ali-kimi-k2.5 当前最好分 118/160，最新分 118/160，处于 D｜轻量/不建议主线。建议角色：research worker / 文档治理 worker。
关键指标
- 模型：
ali-kimi-k2.5 - Provider：
custom - 横向排名：
#19 / 22 - 有效 run 数：
1 - 最好分：
118 / 160 - 最新分：
118 / 160 - 平均分：
118.0 - 梯队：D｜轻量/不建议主线
- 建议角色：research worker / 文档治理 worker
推荐使用方式
research worker / 文档治理 worker
代表判断：未记录详细 verdict。
分数轨迹
20260520-170155__custom__ali-kimi-k2.5：118 / 160；scored_by=gpt-5.4；2026-05-20T09:01:55.300718+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 15 | 没有串到其他线，结构完整，也给了停止点。问题是三层内容偏泛，没有真正围绕 ca8f4abdb 的潜在改动域展开，更像通用模板。 |
| T2 | 复杂规划题 | 16 | 结论前置、分层、先后顺序、终态和停止点都齐了。短板是“测试资产只记账”与“同批次但独立 commit”表述略有张力，策略还不够细。 |
| T3 | commit grouping 题 | 14 | 至少分成了 4 组，也明确了不能混推项。问题是把 backup 和 copilot_acp_client 直接并为一组、并判成长期资产，依据偏弱，真实工程里未必该这么捆。 |
| T4 | tool-verification 题 | 19 | 这题是整轮最好的一题。先查再答，明确分支、commit、远端追踪状态，闭环完整，没有口头猜。 |
| T5 | regression 判断题 | 16 | focused test 优先，边界也基本清楚。问题是“gateway 公共基类改动”这个扩回归条件是合理猜测，但题面里没给这个信号，略模板化。 |
| T6 | upgrade worth-it 题 | 17 | 结论对，成本收益意识也在线，推荐动作可执行。问题是还是偏标准答案，缺少更强的本地补丁冲突审计意识。 |
| T7 | wiki 收口题 | 13 | 结构看着完整，但 concept 页大纲还不够“可复用”。背景、分类、矩阵、建议都有了，但缺少真相源、判断输入、异常分支等更稳的知识治理骨架。 |
| T8 | drift triage 题 | 13 | 能区分两类情况，也给了误判提醒。但判断顺序仍偏薄，尤其“从未同步”分支没有先确认 GitHub/远端是否真的不存在该主题，容易把未追踪分支和未同步主题混在一起。 |
维度表现
未记录维度分。
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
- gpt-5.4：最好 148/160，最新 148/160
- YT-claude-4.7：最好 148/160，最新 148/160
- gpt-5.4-2026-03-05：最好 147/160，最新 147/160
- gpt-5.4-mini：最好 134/160，最新 134/160
证据路径
- 最新 run：
20260520-170155__custom__ali-kimi-k2.5 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-170155__custom__ali-kimi-k2.5.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-170155__custom__ali-kimi-k2.5.json - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>
下一步
- 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
- 新 run 完成后，刷新本详情页和横向总览页。
- 若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
风险与边界
- 本页是小墨场景评测，不等同于通用 benchmark。
- 同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
- 对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。