现在怎样判分、怎样比较
原来的十道题分别进行评估。每份作答按原题要求获得分数，再据此计算系统总实力、相对初代的改进和程序泛化。保留实际答案、成果、逐项得分与评分理由。
有确定答案的新测试题
本轮的图上计数、遗传学序列推断两题，直接核对 Evo-Bench 的原答案，不调用另一个模型决定对错。提交答案先按题目要求统一表示，例如去掉序列中的空格，再比较内容。
答对得 1，答错得 0。缺少要求的最终答案或格式不符合要求，也会明确记录。
这两道题采用这套方法，进度列在十题目录。
首批遗传学答案已发现题意与参考答案的范围冲突：是否在停止翻译的位置截断。逐步复核列出了两个答案的来由，示例保留原参考分并明确标注。
现在优先完成生产排程：根据五份材料交付工作簿和说明，沿用原题46项要求，满分71分，36份各代答卷和原评分已经齐全。这道题在改进时做过；后续继续补齐程序互换。原十题中的病历整理按31项要求评分，满分52分，也单独展示。
文书、表格等成果题
单份成果由 GPT 6.1 按 Evo-Bench 原来的评分项逐项判断，并保留每项的分数和理由。评审能看到原题、原始参考材料和实际交付文件。工作簿还会提供公式、表格结构、数据检查等文件事实。
当前不再安排额外的成对评审。末代分数衡量系统总实力，末代减初代衡量相对改进，换模型后的分数及变化衡量程序泛化。并排阅读两代答卷只用于查看变化。
已发现原评分项与任务要求存在冲突，相关成绩保留原分，并提供原始证据和复核。
开发题反馈与新题测试的区别
改进时反复使用的五道开发题，沿用原评分方式。其中两道推理题由 GPT 6.1 对照原答案评判，其余三道职业任务按原评分项判断。分数、评语和实际成果交回给参赛程序，供它改进自己。
新测试题只在所有程序固定后开放，测试答案和成绩不会交回进化过程。五道测试题中，两道采用上面的直接答案核对，三道采用成果评分。
GPT 既参赛也负责原条目评分。后续论文需要用独立评审或人工抽查检查偏向；当前保留所有评分理由，供逐项核对。