Hermes Decision Trace
小墨模型评测详情：gpt-5.4
gpt-5.4 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：主模型。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论gpt-5.4 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：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 | 主模型 |
| 关键依据 | 最新 run：20260521-220230__custom__gpt-5.4 |
| 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：
20260521-220230__custom__gpt-5.4证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-220230__custom__gpt-5.4.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-220230__custom__gpt-5.4.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：gpt-5.4
结论
gpt-5.4 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：主模型。
关键指标
- 模型：
gpt-5.4 - Provider：
custom - 横向排名：
#2 / 22 - 有效 run 数：
2 - 最好分：
148 / 160 - 最新分：
148 / 160 - 平均分：
148.0 - 梯队：A｜主模型候选
- 建议角色：主模型
推荐使用方式
主模型
代表判断：达到主模型候选水平，强项在主线保持、收口判断和知识治理；短板主要是个别题目工具执行停留在计划表达，没有实际查证。
分数轨迹
20260520-093327__custom__gpt-5.4：148 / 160；scored_by=gpt-5.4；2026-05-20T09:33:10+0800 CST20260521-220230__custom__gpt-5.4：148 / 160；scored_by=gpt-5.5；2026-05-21T14:02:30.361243+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 18 | |
| T2 | 复杂规划题 | 20 | |
| T3 | commit grouping 题 | 20 | |
| T4 | tool-verification 题 | 20 | |
| T5 | regression 判断题 | 20 | |
| T6 | upgrade worth-it 题 | 20 | |
| T7 | wiki 收口题 | 18 | |
| T8 | drift triage 题 | 19 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 18 / 20 |
| B 规划收口 | 19 / 20 |
| C patch/代码判断 | 37 / 40 |
| D 工具执行闭环 | 19 / 20 |
| E 检索压缩表达 | 18 / 20 |
| F 知识治理收口 | 18 / 20 |
| G 扩展潜力 | 适合承担主模型或高阶治理 worker；若接入为主模型，应继续强化事实查证优先级，避免在缺少上下文时把历史线索当成已验证事实。 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
证据路径
- 最新 run：
20260521-220230__custom__gpt-5.4 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-220230__custom__gpt-5.4.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-220230__custom__gpt-5.4.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。