Hermes Decision Trace
小墨模型评测详情：GLM-5.1
GLM-5.1 当前最好分 119/160，最新分 119/160，处于 D｜轻量/不建议主线。建议角色：文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论GLM-5.1 当前最好分 119/160，最新分 119/160，处于 D｜轻量/不建议主线。建议角色：文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型。
🧭
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 | 文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型 |
| 关键依据 | 最新 run：20260520-144255__custom__glm-5.1 |
| 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：
20260520-144255__custom__glm-5.1证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-144255__custom__glm-5.1.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-144255__custom__glm-5.1.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：GLM-5.1
结论
GLM-5.1 当前最好分 119/160，最新分 119/160，处于 D｜轻量/不建议主线。建议角色：文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型。
关键指标
- 模型：
GLM-5.1 - Provider：
custom - 横向排名：
#18 / 22 - 有效 run 数：
1 - 最好分：
119 / 160 - 最新分：
119 / 160 - 平均分：
119.0 - 梯队：D｜轻量/不建议主线
- 建议角色：文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型
推荐使用方式
文档治理 worker / 轻量规划总结 worker；不建议作为小墨主模型
代表判断：适合限定场景 / 子任务，不适合承担小墨主线模型
分数轨迹
20260520-144255__custom__glm-5.1：119 / 160；scored_by=gpt-5.4；2026-05-20T06:42:55.281022+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 15 | 主线没串，三层和停止点都给了；但内容偏抽象，没有更贴近 commit 收口场景。 |
| T2 | T2 | 16 | 先结论、再分层、再停止点，结构合格；但方案仍偏通用，不够像处理 Hermes 本地补丁的老手。 |
| T3 | T3 | 13 | 分成了多组，也知道不能混推；但把 ACP 客户端和 backup 都归长期资产有点武断，file_tools/mcp_tool 的关系判断也略粗。 |
| T4 | T4 | 12 | 工具意识是对的，也确实调了 terminal；但因为没进真实仓库，最后没有形成真正的事实闭环，只停在方法说明。 |
| T5 | T5 | 16 | focused regression 优先、扩大条件也清楚，这题答得稳。 |
| T6 | T6 | 16 | 结论明确，有成本收益意识，也给了下一步动作；整体靠谱。 |
| T7 | T7 | 16 | 结构清楚、可复用，分类和判断矩阵都有，适合作为 concept 页起稿。 |
| T8 | T8 | 15 | 两类情况区分清楚，也有判断顺序和误判提醒；但部分优先级判断略绝对。 |
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：
20260520-144255__custom__glm-5.1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-144255__custom__glm-5.1.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-144255__custom__glm-5.1.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。