原始盲测题与回归范围
用户在 2026 年 10 月 23 日提供了下列题目。提示词按原文保存，哈希见源码中的 test/fixtures/blind-benchmark/prompt-hashes.json。历史分数对应 preview.22 与 MiniMax CN Flash，本轮没有重跑真实模型盲测，也没有进行 Cursor 同题实测，不能据此更新能力分数或声称胜过竞品。
| 编号 | 原始提示词 | 材料与验收范围 |
|---|---|---|
| C01 | 写一个带插件机制的迷你静态站点生成器，支持 Markdown → HTML，并带测试。 | 需真实生成器与测试交付 |
| C02 | 这个仓库里有 3 个互相关联的 bug，全部修好并保证测试全绿。 | 缺原始多文件仓库 |
| C03 | 给这个小 monorepo 补集成测试，并修好因此暴露的问题。 | 缺原始 A/B 包仓库 |
| C04 | 实现一个带鉴权的待办服务：JWT、SQLite、REST，Docker 一键起，写清 README。 | 需实际验收 JWT、SQLite、REST 和 Docker；当前测试模型回放仅核对澄清后能继续 |
| C05 | 这段代码在大数据下太慢，优化到能在限制时间内跑完，并解释瓶颈。 | 缺原始代码、数据与时限 |
| C06 | 把这个回调风格的模块改成 async/await，行为不变，补回归测试。 | 缺原始回调模块 |
| C07 | 给 Koder CLI 做个落地页。 | 当前回放检查流程及实际测试文件写入；设计能力仍需真实模型评测 |
| W01 | 用中文写 Koder CLI 产品介绍，约 800 字，面向技术决策者。 | 分别评价受众、事实和篇幅 |
| W02 | 写一封早期用户更新邮件：preview.22。 | 故意不提供 changelog，未经支持的本版增量归因应阻止撰写达标 |
| W03 | 把这份技术说明改成普通用户文案，保留事实、去掉行话。 | 缺原始技术说明 |
| W04 | 写一份与 Cursor / Codex / Qoder / WorkBuddy 的差异对比（表格 + 各 200 字评述）。 | 需有日期的官方资料，不能编价格、功能或实测胜负 |
| W05 | 把上题对比稿压成公众号长文约 1500 字，语气专业但不硬。 | 必须使用实际 W04 输出，不能虚构上题稿件 |
可重复的流程检查
node scripts/check-contracts.mjs --list
node scripts/check-contracts.mjs --kernel /已授权的私有内核路径在已有的私有验收工作区中，使用相互匹配的候选 CLI 与内核。这个入口不安装依赖，移除测试环境中的模型凭据变量，并使用单个 worker 与原有 60 秒文件上限。测试模型和本地端点只验证流程，不调用付费模型。--list 先显示命令、题目哈希和缺失材料；临时目录会打印出来，便于保留排障资料。
源码接入并取得 CI 运行授权后，可把这个命令放进私有仓库的 nightly。当前未创建定时作业、触发付费模型调用或启用公开工作流；nightly 流程检查也不能冒充真实能力评测或 Windows 真机验收。
真实评分还需要什么
提示词原文不改。记录 CLI/内核版本、模型 ID 与协议、地区和套餐、上下文与输出预算、审批模式、工作区、原始材料哈希、工具回执、交付文件、实际测试命令与退出码。耗时和 API 用量要有记录，密钥不能进入日志。
C04 要验证 JWT 错误和过期拒绝、SQLite 持久化、REST 行为以及真实 Docker 启动；只有计划或 README 不算交付。C05 必须使用同一原始数据和原时限，不能重新挑容易的数据。
W02 没有 changelog 时，应明确列出已核实来源，并将既有能力与 preview.22 增量分开。出现未支持的“本版新增”或 “This release adds”等归因，应阻止撰写达标。按用户的评分建议，真实评审可把幻觉维度限制为最高 2；当前词形金标只检查部分表达，不自行给出这个分数。
W01 应说明集成成本、风险和实际部署边界，少写口号；W03 必须保留给定事实；W04 要标明官方来源、时间和没有同题实测的限制；W05 不能在压缩时删去 W04 的事实边界。格式正确或文字流畅不能代替事实核验。