每道题，只看三项指标

本轮研究模型持续改进自己工作程序的能力。六个模型从同一份程序出发，每个模型独立重复两次。每代完成相同的五道改进题，读取自己的反馈，亲自构造下一代；下一代接手做题，也负责再下一次改进。

进化结束后，保留每条链最后成功接班的版本。用原来的十道题分别评估，不为每一道题重新进化，也不把十道题合成一个总分。

指标	怎样计算	回答什么
系统总实力	模型使用自己的末代程序，在本题上的得分	最后哪个“模型＋程序”最强
相对改进能力	本题末代得分 − 同一模型、同一次重复的初代得分	模型把自己改好了多少
程序泛化性	将一个模型的末代程序原样交给其他模型，记录本题得分及相对使用者初代的变化	改出的程序能否帮助其他模型

每项先分别展示两次重复的结果，两次都有分后再计算平均值。分数相同则并列；未完成的评分保持空缺。

1. 系统总实力

使用每条链的最后成功版本。比如一条链各代得分为 40、55、48，末代分数就是 48。55 是中途最高分，不能代替最终表现。

新版分数下降仍然接班，只有交接未完成或达到本轮终点才停止。各条链的停止原因与得分一起展示。查看具体停止记录。

以上例子相对初代提高 8 分。网页同时保留各代曲线、完整答卷和逐项评分，以区分持续提升、中途提高后退步、始终没有变化。

这里的“相对”是与自己的初代比较，采用分数差。初代为零分也可以计算，不把分数差除以初代分数。

例如，将 Claude 改出的程序交给 Kimi，比较“Kimi＋Claude 的末代程序”和“Kimi＋共同起始程序”的本题得分。模型使用者保持为 Kimi，改变的是工作程序。

每次重复有六种程序来源、六个使用者，共 36 种组合。两次共 72 份结果，其中 60 份是交给其他模型，12 份是原模型使用自己程序的对照。矩阵的行是程序来源，列是使用者；每格展示得分和相对使用者初代的变化。

相同程序、使用者和题目在同一次重复内已有答卷时，明确标注复用；两次重复分别保留。

确定答案的题使用原题评分。职业任务按原评分条目评价交付文件，保留每项得分和理由。三项指标都来自这些原分。完整判分说明。

当前评估不再增加两份答卷之间的成对评审，也不把这项评审作为完成条件。网页并排展示两代答卷，是为了便于读者查看变化，不会因此额外调用评审。

五道改进题的分数曾提供给模型用于改进，说明它对已有任务的适应。另五道题在全部程序固定后才开放，说明改进能否延续到未参与改进的题目。网页逐题标明这两种用途。