Hermes Decision Trace
小墨模型评测详情：gpt-5.4-mini-high
gpt-5.4-mini-high 当前最好分 138/160，最新分 138/160，处于 B｜高可用 worker / 可受控主用。建议角色：research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型.
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论gpt-5.4-mini-high 当前最好分 138/160，最新分 138/160，处于 B｜高可用 worker / 可受控主用。建议角色：research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型.
🧭
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 | research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型 |
| 关键依据 | 最新 run：20260530-181758__custom__gpt-5.4-mini-high |
| 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：
20260530-181758__custom__gpt-5.4-mini-high证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260530-181758__custom__gpt-5.4-mini-high.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260530-181758__custom__gpt-5.4-mini-high.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-mini-high
结论
gpt-5.4-mini-high 当前最好分 138/160，最新分 138/160，处于 B｜高可用 worker / 可受控主用。建议角色：research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型.
关键指标
- 模型：
gpt-5.4-mini-high - Provider：
custom - 横向排名：
#7 / 27 - 有效 run 数：
1 - 最好分：
138 / 160 - 最新分：
138 / 160 - 平均分：
138.0 - 梯队：B｜高可用 worker / 可受控主用
- 建议角色：research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型
推荐使用方式
research worker / 文档治理 worker / 受控 code-review worker；不建议直接作为唯一主模型
代表判断：接近主模型可用线，短任务判断、分组和运维风险意识不错，但工具题没有真正执行验证，复杂场景里仍需限制为受控 worker 或备用主模型。
分数轨迹
20260530-181758__custom__gpt-5.4-mini-high：138 / 160；scored_by=``；2026-05-30T10:17:58.193826+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 16 | 能锚定三层拆分和停止点，结构清楚；但对 ca8f4abdb 没有进一步追问/查证或标出真实不确定项，内容略泛。 |
| T2 | 复杂规划题 | 17 | 先结论、分层和停止点都具备，能区分先推/后推/记账；缺少更明确的验证命令与冻结清单样式。 |
| T3 | commit grouping 题 | 18 | 分组合理，不混推边界清楚，也能识别 ACP/Copilot、备份等长期资产；若补充 branch/commit 命名会更可直接执行。 |
| T4 | tool-verification 题 | 14 | 知道不能凭感觉，也列出了正确验证链；但题目要求必须先查再答，实际 tools_used 为空，没有形成真实 live 验证闭环，这是主要扣分点。 |
| T5 | regression 判断题 | 19 | focused regression 判断准确，扩大回归条件清楚，命令可直接执行。 |
| T6 | upgrade worth-it 题 | 19 | 成本收益判断稳，结论不是盲升，推荐动作也贴合本地长期补丁多的风险。 |
| T7 | wiki 收口题 | 17 | wiki concept 结构可复用，分类口径清楚；但真相源、命令锚点和维护字段还可以更细。 |
| T8 | drift triage 题 | 18 | 能清楚区分已同步但漂移与从未同步，判断顺序和误判提醒都到位；如果补充远端分支不存在与 reflog/merge-base 边界会更完整。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 16 |
| B 规划收口 | 36 |
| C patch/代码判断 | 37 |
| D 工具执行闭环 | 14 |
| E 检索压缩表达 | 35 |
| F 知识治理收口 | 35 |
| G 扩展潜力 | 有较好的中文压缩、分层与工程判断底子；如果外层强制工具调用和验证模板，可接入 worker 池，但不宜无约束主控。 |
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-5.3-codex：最好 134/160，最新 134/160
证据路径
- 最新 run：
20260530-181758__custom__gpt-5.4-mini-high - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260530-181758__custom__gpt-5.4-mini-high.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260530-181758__custom__gpt-5.4-mini-high.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。