BUILD · MEASURE · LEARN
每一次迭代,都有迹可循。
把结果、代价与回归放在一起,看清 Nexus 的演进。
演进趋势
按运行顺序排列 · 仅完整固定 8 case · 点击数据点切换当前观察
8 case 历史矩阵
每一列是一轮运行,点击状态打开该轮报告。蓝色下沿为当前轮,灰色为基线。
PASSFAILERROR
两轮之间,具体变在哪里
基线 → 当前 · Token 与耗时展示绝对变化
比较条件
代码版本可以变化;评测条件的变化会影响解读。
这是本地固定验证,不是官方 SWE-bench 成绩。同条件单次结果也存在采样波动;折线表示观察变化,不代表因果结论。
本轮代理树
全树用量来自各代理实际请求;缓存包含在输入中,费用 unknown。点击 Case 查看独立轨迹与并行时间线。
运行档案
保留全部尝试,包括单 case 调试、异常和未完成记录。
数据口径与导入信息
通过数来自独立验证状态。Agent 耗时不包含准备与验证。输入 Token 是累计请求用量,包含重复上下文;不等同于费用。≥ 表示仅已报告部分,部分值不参与趋势线与差值计算。缺失显示 —。完整评测允许 ERROR,排除 ABORTED / NOT_RUN。条件相同仅表示已保存字段一致,不能证明远端模型权重不变。历史报告不写回原始结果。