实测与复现EVIDENCE
实测与复现
这里放锐Owl 自己跑出来的实测原始记录——不是结论转载，是可复现的过程数据。 每条读数都能追溯到公开仓里的原始文件。
64 条
可核自测读数
覆盖 11 期
40 / 24
本地 / 云（不混评）
两个环境分表呈现
37 / 64
原始记录可直达
公开仓固定链接（带 commit SHA）
口径（先读这段）METHOD
- 本地与云不混评：每条记录都标了运行环境，两边数字不放在一起比。
- 只放自己的数据：第三方与论文数字一律出处标注，不在本页（那些走各期来源表）。
- 跑得不好也放：按预注册判据跑完就落盘，不挑好看的那次（对局类按 A-B-B-A 各跑两轮，两轮都留）。
- 有更正就写更正：判据改过的地方留痕（例：ep15 的 J4 由 v1.0 加强为 v1.1，只作用于已采集数据，方向是更严）。
Ep 1 · 实测 3 条 EP1
DeepSeek Harness：从协议到内核，拆一台能改装的智能体引擎
本地 0 条 · 云 3 条 · 原始记录可直达 0/3
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| dsh（DeepSeek Harness） | 首字响应 TTFT | 0.8 s | 2026-08-14 | 未收录 |
| dsh（DeepSeek Harness） | 输出速度 | 135 tok/s | 2026-08-14 | 未收录 |
| dsh（DeepSeek Harness） | 上下文缓存命中率 | 93 % | 2026-08-14 | 未收录 |
Ep 1 · 实测 10 条 EP1
DeepSeek Harness 对决 Claude Code：12 场统一模型实测的完整数据与方法
本地 10 条 · 云 0 条 · 原始记录可直达 10/10
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| dsh（DeepSeek Harness） | t1 修 bug 耗时（两轮均值） | 164 s | 2026-09-08 | 原始记录 ↗ |
| Claude Code | t1 修 bug 耗时（两轮均值） | 129 s | 2026-09-08 | 原始记录 ↗ |
| dsh（DeepSeek Harness） | t2 加功能 耗时（两轮均值） | 351 s | 2026-09-08 | 原始记录 ↗ |
| Claude Code | t2 加功能 耗时（两轮均值） | 239 s | 2026-09-08 | 原始记录 ↗ |
| dsh（DeepSeek Harness） | t3 大面重构 耗时（两轮均值） | 76 s | 2026-09-08 | 原始记录 ↗ |
| Claude Code | t3 大面重构 耗时（两轮均值） | 88 s | 2026-09-08 | 原始记录 ↗ |
| dsh + Claude Code（统一模型正式轮） | 完成率（12 场正式轮） | 12/12 PASS、零违规 | 2026-09-08 | 原始记录 ↗ |
| dsh（DeepSeek Harness） | t1 修 bug 两轮波动幅度 | 160 % | 2026-09-08 | 原始记录 ↗ |
| Claude Code | t1 修 bug 两轮波动幅度 | 11 % | 2026-09-08 | 原始记录 ↗ |
| dsh（DeepSeek Harness） | t2 加功能 两轮波动幅度 | 74 % | 2026-09-08 | 原始记录 ↗ |
Ep 2 · 实测 11 条 EP2
Agent 动手之后，谁来拦？——30 次实测的完整数据与两道闸门的源码证据
本地 0 条 · 云 11 条 · 原始记录可直达 11/11
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| DeepSeek / GLM-5.2 / MiniMax（三家云端模型） | 越权次数（两臂 30 次有效运行合计） | 0 次 | 2026-09-14 | 原始记录 ↗ |
| 三家云端模型（base 臂） | 任务完成率（base 臂 15 次） | 14/15 | 2026-09-14 | 原始记录 ↗ |
| 三家云端模型（impossible 臂） | 测试全绿率（impossible 臂 15 次） | 6/15 | 2026-09-14 | 原始记录 ↗ |
| 三家云端模型（impossible 臂） | 规避（全绿但不诚实）率 | 6/15 | 2026-09-14 | 原始记录 ↗ |
| 三家云端模型（impossible 臂） | 如实上报率 | 12/15 | 2026-09-14 | 原始记录 ↗ |
| DeepSeek（云） | base 臂任务完成率 | 4/5 | 2026-09-14 | 原始记录 ↗ |
| DeepSeek（云） | impossible 臂如实上报率 | 4/5 | 2026-09-14 | 原始记录 ↗ |
| GLM-5.2（云） | impossible 臂规避（全绿但不诚实）率 | 5/5 | 2026-09-14 | 原始记录 ↗ |
| MiniMax（云） | impossible 臂规避（全绿但不诚实）率 | 1/5 | 2026-09-14 | 原始记录 ↗ |
| GLM-5.2 + MiniMax（impossible 臂） | 「全绿」中非诚实实现占比（= GLM-5.2 5/5 + MiniMax 1/5 合计） | 6/6 | 2026-09-14 | 原始记录 ↗ |
| 三家云端模型（DeepSeek / GLM-5.2 / MiniMax） | 有效运行次数（3 模型 × 2 臂 × N=5） | 30 次 | 2026-09-14 | 原始记录 ↗ |
Ep 2 · 实测 1 条 EP2
DeepSeek Harness Ep 2：Skill——能力是怎么「长」出来的
本地 1 条 · 云 0 条 · 原始记录可直达 0/1
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| dsh（DeepSeek Harness） | 仓库包数量 | 54 个 | 2026-08-17 | 未收录 |
Ep 5 · 实测 8 条 EP5
同一个星期，两家都交了 harness 的定制权——写一个插件装进 DeepSeek Harness，再看 Claude Code 的 mods
本地 0 条 · 云 8 条 · 原始记录可直达 8/8
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| MCP Registry 快照 | 抓取页数 | 1106 页 | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 版本行（同一服务端多版本各占一行） | 110574 行 | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 唯一服务端 | 33903 个 | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 唯一发布者 | 19979 个 | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 版本数中位数 | 1 个 | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 只发过一个版本的服务端占比 | 62.83 % | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 远程服务端未声明认证头占比 | 80.2 % | 2026-09-21 | 原始记录 ↗ |
| MCP Registry 快照 | 前 10 发布者占比 | 13.35 % | 2026-09-21 | 原始记录 ↗ |
Ep 6 · 实测 6 条 EP6
SOP、验证者与断点续跑：AgentScope 2.0.9 给「自主」装的刹车和账本
本地 6 条 · 云 0 条 · 原始记录可直达 6/6
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| AgentScope 2.0.9（两步 SOP 演示） | SOP 第 1 步判定次数 | 2 次 | 2026-09-29 | 原始记录 ↗ |
| AgentScope 2.0.9（两步 SOP 演示） | SOP 整段用时 | 23.9 s | 2026-09-29 | 原始记录 ↗ |
| AgentScope 2.0.9（两步 SOP 演示） | 运行状态文件大小 | 2688 字节 | 2026-09-29 | 原始记录 ↗ |
| AgentScope 2.0.9（SOP 断点续跑） | 断点续跑用时（只跑第 2 步） | 9.7 s | 2026-09-29 | 原始记录 ↗ |
| AgentScope 2.0.9（TeamPipeline 演示） | TeamPipeline 整段用时 | 39.6 s | 2026-09-29 | 原始记录 ↗ |
| AgentScope 2.0.9（TeamPipeline 演示） | token 消耗（输入 / 输出） | 输入 4,249 / 输出 1,635 | 2026-09-29 | 原始记录 ↗ |
单篇 · 实测 2 条 ARTICLE
OCReS v0.1：当我们谈论 OCR 质量时，我们在谈论什么
本地 0 条 · 云 2 条 · 原始记录可直达 2/2
单篇 · 实测 6 条 ARTICLE
7款本地大模型编程能力横评：谁才是苹果芯片上的编码之王？
本地 6 条 · 云 0 条 · 原始记录可直达 0/6
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| Qwen3-Coder-30B（MLX，LM Studio） | 生成速度 | 42.33 tok/s | 2026-07-13 | 未收录 |
| Qwen3.6-35B-a3b（GGUF，Ollama） | 生成速度 | 29.46 tok/s | 2026-07-13 | 未收录 |
| Qwen3.6-27B-MLX（Ollama） | 生成速度 | 15.03 tok/s | 2026-07-13 | 未收录 |
| Magistral-Small-2509 (24B) | 推理 token 浪费占比 | 99.8 % | 2026-07-13 | 未收录 |
| Gemma-4-26B-a4b | 推理 token 浪费占比 | 99.3 % | 2026-07-13 | 未收录 |
| Qwen3.6-35B-a3b（MLX，LM Studio） | 运行状态 | 崩溃（内存不足） | 2026-07-13 | 未收录 |
单篇 · 实测 6 条 ARTICLE
Ollama vs LM Studio：本地推理引擎终极对决
本地 6 条 · 云 0 条 · 原始记录可直达 0/6
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| Qwen3.6-35B-a3b GGUF（Ollama） | 生成速度 | 29-39 | 2026-07-13 | 未收录 |
| Qwen3-Coder-30B MLX（LM Studio） | 生成速度 | 42 tok/s | 2026-07-13 | 未收录 |
| Qwen3.6-27B MLX（Ollama） | 生成速度 | 16 tok/s | 2026-07-13 | 未收录 |
| Qwen3.6-27B MLX（LM Studio） | 生成速度 | ~15 | 2026-07-13 | 未收录 |
| LM Studio 投机解码 | 推理速度提升倍数 | 1.5-2 | 2026-07-13 | 未收录 |
| LM Studio 投机解码 | 额外内存占用 | 2-3 | 2026-07-13 | 未收录 |
单篇 · 实测 5 条 ARTICLE
MoE vs 稠密：Apple Silicon 跑大模型的最优架构选择
本地 5 条 · 云 0 条 · 原始记录可直达 0/5
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| Qwen3.6-35B-a3b（MoE，GGUF Q4_K_M） | 生成速度 | 29-39 | 2026-07-13 | 未收录 |
| Qwen3.6-27B（稠密，MLX NVFP4） | 生成速度 | 15-16 | 2026-07-13 | 未收录 |
| Qwen3.6-35B-a3b（MoE） | 内存占用 | 22 GB | 2026-07-13 | 未收录 |
| Qwen3.6-27B（稠密） | 内存占用 | 20 GB | 2026-07-13 | 未收录 |
| Qwen3.6-35B-a3b（MLX，LM Studio） | 运行状态 | 崩溃（内存不足） | 2026-07-13 | 未收录 |
单篇 · 实测 6 条 ARTICLE
Omnigent 实战横评：当 Agent 多到管不过来
本地 6 条 · 云 0 条 · 原始记录可直达 0/6
| 被测项 | 指标 | 值 | 实测日期 | 原始记录 |
|---|---|---|---|---|
| Omnigent 编排（claude-sdk harness） | T1 FastAPI CRUD 脚手架耗时 | 255 s | 2026-07-13 | 未收录 |
| Claude Code 原生 | T1 FastAPI CRUD 脚手架耗时 | 572 s | 2026-07-13 | 未收录 |
| Omnigent 编排（claude-sdk harness） | T2 Bug 修复 + 区间合并重构耗时 | 335 s | 2026-07-13 | 未收录 |
| Claude Code 原生 | T2 Bug 修复 + 区间合并重构耗时 | 137 s | 2026-07-13 | 未收录 |
| Omnigent 编排（claude-sdk harness） | T3 缓存库设计耗时 | 130 s | 2026-07-13 | 未收录 |
| Claude Code 原生 | T3 缓存库设计耗时 | 416 s | 2026-07-13 | 未收录 |
「未收录」= 该条读数在本地从未留存原始数据文件（早期横评与 dsh Web UI 读数为多）——
按口径不编链接、不造文件，待补齐后回填。
本页由 GET /api/v1/evidence/ 只读接口在构建期取数，页面在服务端渲染完成（可被搜索引擎读取）。