Large 4 与 Large 3：按任务选择

可核实任务

使用已知修复方式的代码、有原文的问题和标签清晰的图片。两个模型使用相同提示词与设置。

记录结果

保存模型 ID、日期、提示词、输出限制和推理设置。首字延迟与总耗时分开记录。

任务	检查内容
代码	诊断、补丁、修改范围
文档	原文依据
图片	标签与不确定性
JSON	schema 有效性

有证据再升级

总分更高不保证实际任务更好。本地未对测真实模型，不公布虚构胜者。