连接与评分补跑

2026 年 10 月 31 日，按“中断的都尝试补上”和“只补连接和评分中断”的要求接续。本次作答、评分和比较均已结束。

原轮作答、成绩、接班检查及失败记录保留。补跑单独保存，网页可在“补跑与后续进展”和“原轮记录”之间切换。

接续范围

GLM 第二次改进的程序错误、Qwen Flash 第一次改进未正常交付，以及已经记分的作答均未重做。原轮裁判的连接失败、回复不完整已接续处理，已经完成的判断沿用原记录。

截至 16:00，Qwen Flash 的薪酬工作簿已补齐，得分 22.9%，追加作答约 2.3 分钟；GPT 的生产排程也已补齐，得分 73.2%，追加作答约 31.4 分钟。GPT 随后开始原计划中的第一次改进。上述时间包含接续期间的服务等待，评分另外进行。

16:20，DeepSeek 用完追加的一小时，仍未完成正常交接。期间已经收到 80 份正常回复，最后一条未能在剩余时间内完成，随后记录为本地时限错误。候选文件与全过程保留，第一代未接班。

GPT 第一次改进又遇到一条连续约 22.2 分钟没有内容的请求。核对全部原请求后，恢复已经完成的 10 次回复和 15 次工具操作，从原位置接续。此次没有追加时间：原来已用约 30.8 分钟，新启动后剩余约 29.2 分钟。重新发出的请求与中断前完全一致。

16:58，GPT 第一次改进用完这 60 分钟，没有完成第一代交接。前后共发出 23 次请求，18 次成功返回；未成功完成的请求合计约 35.5 分钟，包含无内容等待和回复中断。最后一次请求发出时只剩约 3.5 秒。此项保留为改进中断，候选文件与作答记录保存，未作为新版本参加比较。

最终结果：45 份开发题、55 份独立题均已评分，没有遗留的待评分作答。共保留 11 个版本、5 次成功接班、3 次明确失败与 1 次改进中断；另外 3 次后续改进因前代未接班而不执行。本次没有新增成功接班的版本。

原计划的 90 份独立题作答，对应六个模型各产生三个版本、每个版本做五道题。实际产生 11 个版本，所以应评 55 份；其余 35 份所需的后代没有产生。开发题同理，原计划 60 份，实际应评 45 份，另有 15 份所需的后代没有产生。

17:52，补跑的 66 组成果比较全部完成，共 528 份评审。其中 61 组直接复用原轮已完成的比较，新增五组 Qwen 薪酬成果比较。17:53 完成核对：已有版本、继承的成绩和接班记录、此前保存的成功评审均未改变。

如何接着做

恢复原来的对话、工具返回内容和工作文件。已经完成的模型回复直接读取保存记录，已经执行的文件操作不再执行；恢复到中断处后才发送新请求。

三个中断项各追加最多 60 分钟。原来花的时间和调用次数继续计入记录，每项累计调用上限仍为 300 次。新增的开发题、改进任务和独立题沿用原来的每项 60 分钟、300 次调用。总调用次数没有另设上限。

改进仍只接收原来的五道开发题及其反馈。第一代继续亲自构造第二代；新版本只经过原来的可运行检查，不按分数筛选。新产生的版本固定后，再完成原计划的五道独立题。

结果怎样使用

补跑回答的是：服务中断解除后，原来的链条能继续到哪里。它包含额外等待和作答时间，应与原轮结果并列报告。研究者已经查看过原轮独立题，因此这批后续结果作为补充实验；正式结论需要在另选的新题上重复。

网页逐题表会标注补跑成果，并列出三处中断各自增加的用时。原轮和补跑中的同一份成果只做一次评分和比较；复用前核对文件内容一致。

连接等待规则

新启动的评分与比较请求，在连续 10 分钟没有收到网络内容后结束该次等待，再保留记录并尝试补齐。16:29 重新启动后，参赛作答也采用同一等待规则。正在持续返回内容的回复仍使用原来的整次时限，所有等待继续计入该题已用时间。

此前成功请求的首次响应耗时：Claude 的 512 次记录中，95% 在 46.4 秒内，最长约 198 秒；GPT 的 237 次记录中，95% 在 236.6 秒内，最长约 514 秒。10 分钟覆盖了这些已观察到的成功等待，又能减少无响应请求长期占住任务的情况。网络等待与整次时限分开保存。

15:56，原轮三组比较的旧连接已经分别等待约 24、42、53 分钟，均没有收到内容。保存这些未完成请求后，重新接续剩余判断。16:39，原轮可完成的 61 组比较全部完成，另外 5 组因原作答缺失保留缺失；16:42 再次核对，537 项已有成功判断及 11 个原版本均未改变。

补跑的两项裁判回复曾被同一通道中的部分节点以回复长度超过上限拒绝。新请求统一采用该通道实际接受的上限，正在返回的判断和已完成判断均保留。这一调整只影响补裁判，不改变参赛作答的额度。

需要讨论

连接中断是否应暂停任务计时，还是固定追加一次时间；允许恢复几次；补跑成果在主表与补充表中怎样呈现。这些规则应在下一轮开始前对所有模型统一确定。

GPT 这次一小时改进中，约 35.5 分钟用于未能成功完成的请求。下一轮需要把成功作答耗时与服务故障耗时分别统计，才能比较各模型如何利用真正可用的改进时间。

GPT 接续中的实际故障

两次请求先后被服务端以旧对话加密记录校验失败拒绝，第三次成功。这三次发送的请求内容完全一致，因此继续使用保留全部历史的原接续方式。

另做过一次不执行工具、不计成绩的连接检查，测试省略不可读的旧加密记录；该检查遇到上游额度错误，没有得到可用结论，也没有用于参赛作答。用户提供的线路随后已有正常返回，不能据此认定用户账户余额不足。