数据来源
仅统计当前 App 中标记为 Golden Data 的 Item，包括人工标记和有效的自动认证；以当前生效的标记为准。源数据集已移除、但本地仍保留的 Golden Data 也计入统计；未标记和非 Golden 的 Item 不计入。
读取这些 Item 已保存的模型判定和 Reward 评测，包括人工改判后的分数。每个模型与 Thinking 配置、每道 Case 只取最新未删除的已保存结果，刷新统计不会发起模型请求。请求失败、Judge 异常和缺失分数单独展示，不记为答错，也不计入分母。
通过率如何计算
模型通过率 = 通过 Case 数 ÷ 有效评分 Case 数 × 100%
原始分数 ≥ 0.5 为通过
明细中的分数 = 原始分数 × 100（百分制）
每条 Case 等权。柱高统一使用 0–100% 刻度，柱内数字省略百分号。样本数量越少，成绩越容易受个别 Case 影响。
两种比较范围
各模型已测 Case：分别汇总各模型与 Thinking 配置的最新已保存 Case。不同柱子覆盖的题目数量和难度可能不同，百分比描述各自已测表现。
共同已测 Case：只计入所有所选模型与 Thinking 配置都有有效评分的同一数据集、同一 Item。切换测试集或增减配置时，重新计算交集和分组分数。历史记录的输入、规则或模型配置可能不同。
测试集汇总与重复评测
选择多个测试集时，将范围内 Case 一起计算，按 Case 等权。因此，Case 较多的测试集对总分影响更大；本图不采用「每个测试集权重相同」的计算方式。
每个模型与 Thinking 配置在每个 Case 上只取最新未删除的已保存结果，重复评测不会增加权重。最新结果异常时保留异常状态，不回退到旧评分。
如何查看明细
最多同时选择 10 个模型，同一模型按 Thinking 强度分柱展示（表格中为独立行），按各组通过率从高到低排列。模型旁的 Thinking 标签展示已固化的思考强度；历史记录首次恢复时，先读取模型选择参数，再读取已保存的实际模型请求，恢复后不随当前选择变化，悬停标签可查看来源。不同强度或思考预算分别计算通过率和 Case 数，点击后只展示对应组的明细。没有明确参数的 Case 单独保留，不显示 Thinking 标签，不推断或并入其他强度。悬停柱子可查看有效 Case 数、通过数量及测试集覆盖情况；点击柱子可查看逐条 Case 的真实分数和判定，也可切换为表格查看。点击 Case 会打开原数据集中的对应 Item。
默认自动展示当前测试集最近评测的最多 10 个模型，刷新时纳入新结果。手动选择和分享链接保留指定模型；有已测模型未展示时，筛选下方会提示，可切回自动展示。
分享链接保留当前测试集、模型及展示模式。下载截图导出当前图表或表格。