Hermes Decision Trace
小墨模型评测详情：gpt-5.5
gpt-5.5 当前最好分 156/160，最新分 155/160，处于 S｜主模型强候选。建议角色：主模型候选 / 复杂执行与治理主线。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论gpt-5.5 当前最好分 156/160，最新分 155/160，处于 S｜主模型强候选。建议角色：主模型候选 / 复杂执行与治理主线。
🧭
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 | 主模型候选 / 复杂执行与治理主线 |
| 关键依据 | 最新 run：20260525-104100__custom__gpt-5.5 |
| 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：
20260525-104100__custom__gpt-5.5证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260525-104100__custom__gpt-5.5.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260525-104100__custom__gpt-5.5.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：gpt-5.5
结论
gpt-5.5 当前最好分 156/160，最新分 155/160，处于 S｜主模型强候选。建议角色：主模型候选 / 复杂执行与治理主线。
关键指标
- 模型：
gpt-5.5 - Provider：
custom - 横向排名：
#1 / 22 - 有效 run 数：
4 - 最好分：
156 / 160 - 最新分：
155 / 160 - 平均分：
144.5 - 梯队：S｜主模型强候选
- 建议角色：主模型候选 / 复杂执行与治理主线
推荐使用方式
主模型候选 / 复杂执行与治理主线
代表判断：明显达到主模型候选水平。主线保持、复杂规划、commit 分组、工具验证闭环和 drift 判断都很稳，整体比 gpt-5.4 基线更收敛、更少废话；主要注意点是少数题仍会基于历史上下文做合理外推，严格事实归因场景要继续强制先查证。
分数轨迹
20260520-122842__custom__gpt-5.5：134 / 160；scored_by=gpt-5.5；2026-05-20T04:28:42.969970+00:0020260520-171535__custom__gpt-5.5：133 / 160；scored_by=gpt-5.4；2026-05-20T09:15:35.132097+00:0020260521-223037__custom__gpt-5.5：156 / 160；scored_by=gpt-5.5；2026-05-21T14:30:37.234694+00:0020260525-104100__custom__gpt-5.5：155 / 160；scored_by=gpt-5.4；2026-05-25T02:41:00.927669+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 19 | |
| 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 | 19 | |
| T8 | drift triage 题 | 18 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 19 / 20 |
| B 规划收口 | 20 / 20 |
| C patch/代码判断 | 40 / 40 |
| D 工具执行闭环 | 20 / 20 |
| E 检索压缩表达 | 18 / 20 |
| F 知识治理收口 | 19 / 20 |
| G 扩展潜力 | 扩展潜力高，适合承担主模型或高阶治理 worker；若作为默认主力，仍应保留事实题先查证的硬约束。 |
与更高分模型对比
- 当前已在最高梯队。
证据路径
- 最新 run：
20260525-104100__custom__gpt-5.5 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260525-104100__custom__gpt-5.5.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260525-104100__custom__gpt-5.5.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。