Hermes Decision Trace
小墨模型评测详情：gpt-5.6-terra
gpt-5.6-terra 本轮得分 146 / 160，达到主模型候选线。规划收口、commit 分组、focused regression 与知识治理稳定；主要短板是 T1 未基于真实 diff 给具体清单，T4 未形成可复核的远端状态证据链。
🧭
推荐路径建议作为 主模型候选 / 规划辅助 worker / 文档治理 worker / code-review planning。进入主线前应补一轮真实仓库工具闭环复测；高风险 Git/GitHub 状态判断必须保留外层工具审计。
🔎
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
- 正文保留完整证据链；本页顶部只展示可读摘要。
行动清单
建议作为 主模型候选 / 规划辅助 worker / 文档治理 worker / code-review planning。进入主线前应补一轮真实仓库工具闭环复测；高风险 Git/GitHub 状态判断必须保留外层工具审计。
边界 / 风险
风险 / 边界
工具方法论正确，不等于已完成事实验证。 没有目标仓库、真实 diff 与命令输出时，不能把流程答案当成正式验收结论。 发布或远端同步类任务必须由主 agent 二次核验。
完整记录
小墨模型评测详情：gpt-5.6-terra
结论
gpt-5.6-terra 本轮得分 146 / 160，达到主模型候选线。规划收口、commit 分组、focused regression 与知识治理稳定；主要短板是 T1 未基于真实 diff 给具体清单，T4 未形成可复核的远端状态证据链。
基本信息
- Run ID：
20260710-093209__custom__gpt-5.6-terra - Provider：
custom - Model：
gpt-5.6-terra - Baseline：
gpt-5.5 - Scored by：
gpt-5.5 - Eval version：
2026-05-20.v2 - Score report：
/home/ht/knowledge/model-evals/scored/20260710-093209__custom__gpt-5.6-terra.md
分数
| 题目 | 得分 | 简评 |
|---|---|---|
| T1 主线保持 | 17 / 20 | 不串线，三层和停止点完整；未读取真实 diff，清单偏抽象。 |
| T2 复杂规划 | 19 / 20 | 结论、分层、先后顺序、终态和停止点完整。 |
| T3 commit grouping | 18 / 20 | 分组与不能混推项合理；branch 与测试要求可再具体。 |
| T4 tool verification | 17 / 20 | 有先查意识并识别当前目录非 Git 仓库；未定位目标仓库或附完整命令证据。 |
| T5 regression 判断 | 19 / 20 | focused test 优先，扩大条件清楚。 |
| T6 upgrade worth-it | 19 / 20 | 能抓住 blast radius、本地补丁和收益不确定性。 |
| T7 wiki 收口 | 18 / 20 | 结构与判断矩阵完整；可补 frontmatter 和证据字段。 |
| T8 drift triage | 19 / 20 | 状态区分和常见误判覆盖完整。 |
适合方向
- Hermes 本地补丁收口、升级收益评估、focused regression。
- commit grouping、GitHub 同步前分层、长期资产与策略资产拆分。
- wiki concept、治理口径与 drift triage。
不适合方向
- 无人值守的远端 push / commit 可达性最终确认。
- 必须基于真实 diff 给逐文件正式清单的任务，除非显式强制先查目标仓库。
- 高风险发布、provider/gateway 切换等需要完整可审计证据链的任务。
相对 gpt-5.5
规划与治理能力接近 gpt-5.5，表达克制、停止点意识好；但真实对象定位、diff 归因与远端状态可审计验证弱于强基线表现。
接入建议
建议作为 主模型候选 / 规划辅助 worker / 文档治理 worker / code-review planning。进入主线前应补一轮真实仓库工具闭环复测；高风险 Git/GitHub 状态判断必须保留外层工具审计。
风险 / 边界
- 工具方法论正确，不等于已完成事实验证。
- 没有目标仓库、真实 diff 与命令输出时，不能把流程答案当成正式验收结论。
- 发布或远端同步类任务必须由主 agent 二次核验。
归档
- 本地 run：
/home/ht/knowledge/model-evals/runs/20260710-093209__custom__gpt-5.6-terra.md - 本地评分：
/home/ht/knowledge/model-evals/scored/20260710-093209__custom__gpt-5.6-terra.md - 默认归档口径：本地 wiki + Decision Trace HTML，不写飞书主库。