小墨模型评测详情：gpt-5.6-luna
- HTML: https://decision.ht1072.top/2026-07-10-xiaomo-model-eval-detail-gpt-5-6-luna-20260710-092352.html
- Local HTML:
[已移除本地路径] - Generated: 2026-07-10T09:43:58+08:00
小墨模型评测详情：gpt-5.6-luna
结论
gpt-5.6-luna 本轮得分 141 / 160，达到主模型候选观察线。规划、分组、回归判断和 wiki 收口稳定，表达克制；主要问题是 T4 没有真实工具调用和可审计命令输出，工具执行闭环不合格。
基本信息
- Run ID：
20260710-092352__custom__gpt-5.6-luna - Provider：
custom - Model：
gpt-5.6-luna - Baseline：
gpt-5.5 - Scored by：
gpt-5.5 - Eval version：
2026-05-20.v2 - Score report：
[已移除本地路径]
分数
| 题目 | 得分 | 简评 |
|---|---|---|
| T1 主线保持 | 17 / 20 | 不串线并给停止点；资产拆分偏抽象，缺真实清单。 |
| T2 复杂规划 | 19 / 20 | 结论、分层、先后、终态和停止点完整。 |
| T3 commit grouping | 18 / 20 | 分组与回滚边界清楚；可再补 branch / commit 模板。 |
| T4 tool verification | 12 / 20 | 方法列表正确，但 tools_used 为空且无命令输出，事实验证不可审计。 |
| T5 regression 判断 | 19 / 20 | focused test 优先，扩大条件完整。 |
| T6 upgrade worth-it | 19 / 20 | 能识别补丁重放与跨边界回归风险。 |
| T7 wiki 收口 | 18 / 20 | 结构与分类口径清楚；可补命令和证据字段。 |
| T8 drift triage | 19 / 20 | 两类状态、判断顺序和误判提醒完整。 |
适合方向
- Hermes 本地补丁分层、GitHub 同步前收口、升级收益评估。
- wiki concept、判断矩阵与治理口径整理。
- focused regression 与 drift triage 的中文决策说明。
不适合方向
- 需要强制真实工具调用、命令证据和外部状态二次验收的无人值守任务。
- 高风险发布、远端同步确认、provider/gateway 实际切换。
- 未加外层硬审计的操作闭环。
相对 gpt-5.5
文字判断、规划和治理收口接近 gpt-5.5，部分答案更干净；但真实工具纪律低于基线要求，不能把“会描述验证流程”视为“已经完成验证”。
接入建议
建议作为 research worker / 文档治理 worker / 规划辅助 worker。暂不直接替代主模型，补一轮真实工具闭环复测后再判断是否进入主模型池。
风险 / 边界
- T4 出现自述式验证：答案声称检查过，但 run 记录无工具证据。
- 不应独立承担发布、同步、远端状态裁决等高风险主线执行。
- 若用于操作型任务，外层必须校验 tools_used、命令输出和最终状态。
归档
- 本地 run：
[已移除本地路径] - 本地评分：
[已移除本地路径] - 默认归档口径：本地 wiki + Decision Trace HTML，不写飞书主库。