Hermes Decision Trace

小墨模型评测详情：gpt-5.6-luna

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。

🧭

推荐路径

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。

🔎

关键依据

见证据摘要与完整记录中的状态、产物和校验链。

🛠️

落地方式

先把已验证方案当成稳定基线：保留当前 schedule / deliver / workdir，不急着继续扩面；新增候选先读源码、看 output、做 run-now 验证，再决定是否转 script-only。

证据摘要

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。

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：/home/ht/knowledge/model-evals/scored/20260710-092352__custom__gpt-5.6-luna.md

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。

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”。

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。