Meincnod y Swyddfa
Pa AI sy’n adeiladu orau?
Chwe model. Un briff. Un cynnig yr un. Wedi’u sgorio o 0 i 100 yn erbyn yr union darged.
Tabl safleoedd.
Beth adeiladodd pob model.
Allbwn crai, wedi’i rendro o’r JSON a ddychwelodd pob model. Un cynnig, dim ailgeisiadau.
Mae pob cerflun yn defnyddio'r un golau, camera a graddfa. Dewiswch unrhyw ganlyniad i'w gymharu â'r targed, neu newidiwch i Gwahaniaeth i archwilio'r anghysondebau.
- Claude Opus 5.578.5/100
- GPT-6.1 Sol74.7/100
- Claude Fable74.6/100
- GPT-6 Astra73.5/100
- Claude Sonnet 5.548.1/100
- GPT-6 Luna30.9/100
Nodiadau
Ansawdd, tocynnau ac amser
Beth oedd ei angen i gael pob canlyniad?
Cymharwch y sgôr, cyfanswm y tocynnau mewnbwn ac allbwn a adroddwyd, a’r amser rhedeg a aeth heibio ar gyfer y rownd a ddewiswyd. Nid yw tocynnau rhesymu yn cael eu hychwanegu eto. Mae mesuriadau coll yn cael eu hepgor, yn hytrach na’u cyfrif fel sero.
Gweld mesuriadau tocynnau ac amser rhedeg
Canlyniadau wedi’u mesur
O rownd i rownd.
Mae’r llinell sylfaen gychwynnol yn cadw canlyniadau gwreiddiol y rownd gyntaf a’r dyddiadau mesur. Rownd newydd wedi’i mesur yw’r pwynt nesaf, ac nid canlyniad o wythnos wahanol.
Gweld y sgoriau a gofnodwyd
| Rownd | Claude Opus 5 / Claude Opus 5.5 | Claude Sonnet 5 / Claude Sonnet 5.5 | Claude Fable | GPT-6.1 Sol | GPT-6 Astra | GPT-6 Luna |
|---|---|---|---|---|---|---|
| 2026-W41 | 78.5 (Claude Opus 5.5) | 48.1 (Claude Sonnet 5.5) | 74.6 (Claude Fable) | 74.7 (GPT-6.1 Sol) | 73.5 (GPT-6 Astra) | 30.9 (GPT-6 Luna) |
| Llinell sylfaen gychwynnol | 75.5 (Claude Opus 5) | 34.3 (Claude Sonnet 5) | 71.2 (Claude Fable) | 70.6 (GPT-6.1 Sol) | 77.5 (GPT-6 Astra) | 45.6 (GPT-6 Luna) |
Am y meincnod
Rhowch 150 o flychau i AI. Gofynnwch am hyn.
Pen crwn. Cadair grwm. Lamp ddesg fach. Pa mor agos all model iaith ddod gan ddefnyddio blociau hirsgwar yn unig?
- o flychau ar y mwyaf
- 150
- modelau
- 6
- ymgais fesul rownd
- 1
Sut mae’n gweithio.
Briff sefydlog.
Mae pob model yn derbyn yr un briff ysgrifenedig gyda dimensiynau a lliwiau’r targed. Mae’r briff llawn ar gael yn gyhoeddus.
JSON yn unig.
Nid yw’r ateb yn cynnwys dim arall: hyd at 150 o flychau gyda safleoedd, meintiau a lliwiau.
Un cynnig.
Ymdrech resymu ganolig, dim offer, dim ailgeisiadau. Caiff nifer y tocynnau a’r amser rhedeg eu cofnodi.
System sgorio sefydlog.
Gorgyffwrdd cyfaint â’r targed, wedi’i bwysoli yn ôl cywirdeb lliw, o 0 i 100.
Y fformiwla
% y cyfaint sy’n gorgyffwrdd × cyfran y ciwbiau sydd â’r lliw cywirWedi’i fesur mewn unedau 1 cm³. Ôl bys y briff 08fb5a5773fe89e7. Mae’r llinell sylfaen gychwynnol yn cadw canlyniadau gwreiddiol y rownd gyntaf.
Y fethodoleg lawn a chwestiynau
Sut mae’n gweithio
Mae’r briff yn rhestru pob siâp yn y targed gyda rhifau manwl gywir. Mae pob model yn ateb gyda JSON yn unig: hyd at 150 o focsys, pob un â safle, maint ac un o 11 o liwiau. Nid yw’r model yn tynnu llun o unrhyw beth ei hun. Pan fydd rhediad yn cael ei sgorio, rydym yn rendro ei focsys a’r targed gan ddefnyddio’r un ciwbiau bach, gyda’r un goleuo a chamera, ac yn cyhoeddi’r lluniau.
Y sgôr yw’r gorgyffwrdd cyfaint rhwng y cerflun a’r targed (y croestoriad wedi’i rannu â’r uniad, wedi’i fesur mewn ciwbiau 1 cm) wedi’i luosi â chyfran y ciwbiau cyffredin sydd â’r lliw cywir. Mae un blwch fesul siâp yn sgorio llai na 40; mae torri pob siâp yn haenau cyfartal yn sgorio tua 50. Mae coesau gogwyddol, ceblau tenau a phennau crwn yn gwobrwyo modelau sy’n cynllunio lle mae pob blwch yn mynd, ac mae’r olygfa Gwahaniaeth yn dangos pob ciwb coll, ychwanegol ac o’r lliw anghywir.
Teg ac ailadroddadwy
Y llinell sylfaen gychwynnol yw’r rownd gyntaf wreiddiol, wedi’i chadw gyda’i dyddiadau mesur gwirioneddol. Gofynnwyd am ail rownd wedi’i mesur ar gyfer y lansiad. Dangosir y ddwy; nid yw’r naill na’r llall wedi’i hôl-ddyddio na’i dewis fel y canlyniad gorau o’r ddwy. Mae rowndiau diweddarach yn dilyn yr amserlen wythnosol.
- Yr un briff, yr un rhaglen sgorio a’r un gosodiadau bob wythnos. Mae gan friff v3 yr ôl bys
08fb5a5773fe89e7; mae unrhyw newid yn dechrau fersiwn newydd a siart newydd. - Mae pob model yn ateb unwaith gyda lefel ganolig o ymdrech resymu, drwy Claude Code neu Codex wedi mewngofnodi gyda thanysgrifiad, yn yr un modd ag y mae VibeiDE yn eu rhedeg. Dim offer, dim gwe, dim ailgeisiadau, dim dewis y gorau o N.
- Mae’r modelau’n rhedeg un ar ôl y llall, byth yn gyfochrog. Mae ateb nad yw’n cyrraedd o fewn 40 munud yn sgorio 0.
- Rhaglen benderfynedig yw’r rhaglen sgorio. Nid oes unrhyw fodel yn graddio model arall.
Darllenwch y briff llawn (testun plaen, 7,691 nod). Enwau’r modelau yw’r enwau amgen y mae pob CLI yn eu cynnig; mae’r dudalen yn cofnodi’r dynodwr model a adroddwyd gan y CLI.
Cwestiynau
A yw Claude neu GPT yn cael eu gwanhau?
Ni all y dudalen hon weld beth sy’n digwydd y tu mewn i ddarparwr, ond mae’n dangos a yw’r un enw model yn cael sgoriau gwahanol ar yr un dasg sefydlog dros amser. Un sampl yn unig yw un rhediad yr wythnos, felly ystyriwch symudiad o ychydig bwyntiau yn sŵn a gostyngiad sy’n para sawl wythnos yn arwydd.
Pam na all unrhyw fodel gyrraedd 100?
Mae’r targed wedi’i wneud o sfferau, elipsoidau, silindrau a chapsiwlau gogwyddol, a dim ond 150 o flychau wedi’u halinio â’r echelinau y caiff yr ateb eu defnyddio. Ni all blychau ddilyn cromliniau’n union, felly mae pob ateb yn colli rhywfaint o gyfaint. Mae modelau gwell yn defnyddio eu blychau lle mae’r cromliniau, ac mae eu cerfluniau’n edrych yn debycach i’r targed.
Sut mae’r modelau’n cael eu rhedeg?
Mae pob model yn cael y briff unwaith drwy ei offeryn llinell orchymyn swyddogol, Claude Code neu Codex, wedi mewngofnodi gyda thanysgrifiad arferol, ar lefel ganolig o ymdrech resymu. Mae offer, is-asiantau, mynediad i’r we ac ailgeisiadau wedi’u diffodd; mae rhediad sy’n defnyddio offeryn yn sgorio 0. Rhaglen benderfyniaethol sy’n sgorio’r ymateb, yn hytrach na model arall.
Pam newidiodd y meincnod i v3?
Roedd y ddwy fersiwn gyntaf yn gofyn i fodelau osod swyddfa. Yn eu rowndiau cyntaf, sgoriodd y modelau gorau 100 a 92, ac roedd pob swyddfa gywir yn edrych yr un fath. Ni all meincnod lle mae’r modelau gorau’n cyrraedd y sgôr uchaf ddangos newid, ac ni all un lle mae’r atebion yn edrych yn debyg ddangos ansawdd, felly mae v3 yn gofyn am gerflun y mae ei ansawdd yn amlwg ar un olwg.
Alla i roi cynnig ar y briff fy hun?
Gallwch. Mae’r briff cyflawn ar gael yn gyhoeddus fel testun plaen. Gludwch ef i unrhyw fodel a chymharwch ei ateb â’r targed.