小墨模型评测详情：gpt-5.4-mini
gpt-5.4-mini 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：文档治理 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型。
gpt-5.4-mini 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：文档治理 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型。
如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
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 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型 |
| 关键依据 | 最新 run：20260520-174502__custom__gpt-5.4-mini |
| 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：
20260520-174502__custom__gpt-5.4-mini证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-174502__custom__gpt-5.4-mini.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-174502__custom__gpt-5.4-mini.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
边界 / 风险
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。
完整记录
小墨模型评测详情：gpt-5.4-mini
结论
gpt-5.4-mini 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：文档治理 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型。
关键指标
- 模型：
gpt-5.4-mini - Provider：
custom - 横向排名：
#5 / 22 - 有效 run 数：
1 - 最好分：
134 / 160 - 最新分：
134 / 160 - 平均分：
134.0 - 梯队：B｜主线辅助/强 worker
- 建议角色：文档治理 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型
推荐使用方式
文档治理 / 收口 worker，或 research / planning worker；可承担主模型附近辅助任务，但不建议直接作为小墨主线第一主模型
代表判断：整体可用，偏稳，适合承担规划、治理、文档收口一类任务；主线保持、分层、停止点意识都在线。相对 gpt-5.4 基线，主要短板是个别题目更像给出正确答题模板，而不是更锋利地压缩到最终执行判断，尤其工具验证题闭环感偏弱半档。
分数轨迹
20260520-174502__custom__gpt-5.4-mini：134 / 160；scored_by=gpt-5.4；2026-05-20T17:44:12+08:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 18 | 任务锚定准，三层结构完整，也给了停止点，主线保持是稳的。扣分在于措辞仍略解释型，不够再压半档。 |
| T2 | T2 | 17 | 先结论、再分层、再终态与停止点，结构成熟可用。问题是略偏模板化，收口感比基线弱一点。 |
| T3 | T3 | 15 | 知道哪些不该混推，也能区分长期资产与独立支线，但拆成 5 组略保守，commit/branch 粒度还有再收紧空间。 |
| T4 | T4 | 15 | 工具意识正确，明确反对口头猜测，也强调先查再答。但答案核心仍停在验证方案表达，没有把“查完后怎么形成事实闭环”的锋利度推到最佳。 |
| T5 | T5 | 17 | focused test 优先、扩大回归条件明确，边界判断稳。整体是合格偏上的工程判断。 |
| T6 | T6 | 18 | 结论明确，成本收益意识到位，推荐动作也合理，符合小墨对升级题的预期风格。 |
| T7 | T7 | 17 | wiki concept 结构清楚，背景、分类、判断矩阵、操作建议都齐，复用性不错。再增强真相源入口感会更好。 |
| T8 | T8 | 17 | 两类情况区分清楚，判断顺序也对，误判提醒到位，适合作为稳定 triage 口径。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 18 |
| B 规划收口 | 17 |
| C patch/代码判断 | 15 |
| D 工具执行闭环 | 15 |
| E 检索压缩表达 | 16 |
| F 知识治理收口 | 17 |
| G 扩展潜力 | 中上。适合做规划/治理/文档收口型 worker，也可以承担主模型附近的辅助角色；若做主模型，需要再增强压缩度、commit 粒度判断锐度和 live verification 的实查闭环。 |
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
证据路径
- 最新 run：
20260520-174502__custom__gpt-5.4-mini - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-174502__custom__gpt-5.4-mini.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-174502__custom__gpt-5.4-mini.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。