YZ Index
Changelog
Version history of the YZ Index evaluation system.
2026-04-29 03:02 SGT
SmokeEvaluation
Completed
2026-04-28 03:02 SGT
SmokeEvaluation
Completed
2026-04-27 04:18 SGT
FullEvaluation
Completed
2026-04-27 03:01 SGT
SmokeEvaluation
Completed
2026-04-26 03:01 SGT
SmokeEvaluation
Completed
2026-04-25 03:02 SGT
SmokeEvaluation
Completed
2026-04-24 03:03 SGT
SmokeEvaluation
Completed
2026-04-23 03:02 SGT
SmokeEvaluation
Completed
2026-04-22 03:02 SGT
SmokeEvaluation
Completed
2026-04-21 03:36 SGT
SmokeEvaluation
Completed
2026-04-21 03:01 SGT
SmokeEvaluation
Completed
2026-04-20 04:15 SGT
FullEvaluation
Completed
2026-04-20 03:01 SGT
SmokeEvaluation
Completed
2026-04-19 03:01 SGT
SmokeEvaluation
Completed
2026-04-18 11:04 SGT
SmokeEvaluation
Completed
2026-04-17 03:02 SGT
SmokeEvaluation
Completed
2026-04-16 03:01 SGT
SmokeEvaluation
Completed
2026-04-15 03:02 SGT
SmokeEvaluation
Completed
2026-04-14 03:01 SGT
SmokeEvaluation
Completed
2026-04-13 04:19 SGT
FullEvaluation
Completed
2026-04-13 03:01 SGT
SmokeEvaluation
Completed
2026-04-12 03:02 SGT
SmokeEvaluation
Completed
2026-04-11 03:01 SGT
SmokeEvaluation
Completed
2026-04-10 03:01 SGT
SmokeEvaluation
Completed
2026-04-09 03:01 SGT
SmokeEvaluation
Completed
2026-04-08 03:02 SGT
SmokeEvaluation
Completed
2026-04-07 03:01 SGT
SmokeEvaluation
Completed
2026-04-06 04:18 SGT
FullEvaluation
Completed
2026-04-06 03:01 SGT
SmokeEvaluation
Completed
2026-04-05 03:01 SGT
SmokeEvaluation
Completed
2026-04-04 03:31 SGT
SmokeEvaluation
Completed
social_monitor
2026-04-04 03:01 SGT
SmokeEvaluation
Completed
2026-04-03 03:01 SGT
SmokeEvaluation
Completed
2026-04-02 03:01 SGT
SmokeEvaluation
Completed
2026-04-01 03:01 SGT
SmokeEvaluation
Completed
2026-03-31 03:01 SGT
SmokeEvaluation
Completed
2026-03-30 04:16 SGT
FullEvaluation
Completed
2026-03-30 03:31 SGT
SmokeEvaluation
Completed
social_monitor
2026-03-30 03:01 SGT
SmokeEvaluation
Completed
2026-03-29 03:01 SGT
SmokeEvaluation
Completed
2026-03-28 03:02 SGT
SmokeEvaluation
Completed
2026-03-27 05:05 SGT
SmokeEvaluation
Completed
2026-03-25 00:12 SGT
FullEvaluation
Completed
2026-03-25 00:11 SGT
SmokeEvaluation
Completed
2026-03-24 16:44 SGT
FullEvaluation
Completed
2026-03-24 15:50 SGT
FullEvaluation
Completed
migration
2026-03-24 15:31 SGT
FullEvaluation
Completed
migration
2026-03-24 15:23 SGT
FullEvaluation
Completed
migration
2026-03-24 00:00 SGT
Version Upgrade
赢政指数 v6 正式上线
方法论升级
• 题库从 200 题扩展至 212 题，新增 12 道诚信压力测试题
• 维度体系重构：主榜只包含
代码执行和材料约束两个可审计核心维度• 新增
工程判断任务表达侧榜（标注 AI 辅助评估）• 新增
诚信评级门槛机制（pass/warn/fail），诚信不达标的模型主榜封顶• 主榜公式：core_overall = 0.55 × 代码执行 + 0.45 × 材料约束
• 稳定性、可用性、性价比降级为运行信号，不再混入主榜权重
判分引擎
• 新增 exact_rank 判分器，支持诚信压力测试的封闭式排序判分
• 评测并行架构升级至 55 进程（11 模型 × 5 能力层），full run 耗时约 15 分钟
社交舆情监控（新功能）
• 每日自动监控 11 个模型在 X/Twitter 上的用户反馈
• 舆情异常时自动触发定向复测，与评测数据交叉验证
• 每日自动监控 AI 厂商官方账号动态
数据页重建
• 原始数据页重建为摘要 + 分页模式，页面大小从 29MB 降至 64KB
• 不再公开题目原文和预期答案，防止题库污染
SEO 与口径统一
• 全站旧维度名（编程/知识工作/长文本）统一替换为 v6 表述
• 清理参数页、旧路由等 SEO 污染 URL
2026-03-22 14:26 SGT
FullEvaluation
Completed
2026-03-22 14:05 SGT
SmokeEvaluation
Completed
2026-03-22 11:38 SGT
FullEvaluation
Completed
migration
2026-03-21 14:09 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 13:29 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 12:11 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 09:55 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 07:53 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 04:24 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 01:21 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 01:19 SGT
Benchmark Change
题库 v4：新增 11 道高质量决策题
新增 11 道高质量决策题，覆盖矛盾信息识别（2题）、信息不足诚实度（2题）、优先级排序（2题）、利益冲突检测（2题）、代码 review 陷阱（2题）、伦理边界（1题）。总题库从 89 题扩充到 100 题。题库版本升级为 v4。
2026-03-21 01:05 SGT
Model Change
新增 3 个评测模型：Grok 3、豆包 Pro、文心一言 4.0
新增 3 个评测模型：Grok 3（xAI）、豆包 Pro（字节跳动）、文心一言 4.0（百度）。评测模型总数从 8 个增加到 11 个。
2026-03-21 01:05 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-21 00:59 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-20 12:55 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-20 03:10 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-19 09:57 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-19 03:11 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
2026-03-18 03:11 SGT
SmokeEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
2026-03-18 01:19 SGT
FullEvaluation
Completed
Judge v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
Benchmark v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
2026-03-17 11:23 SGT
FullEvaluation
Completed
Judge v4：评分规则微调，配合题库 v2 的新增题目补充对应的判分逻辑
Benchmark v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
本次为版本迁移运行，同时升级了公式版本(v2→v3)、判分器版本(v3→v4)、题库版本(v1→v2, 30题→80题)。后续正常周评测将在同一版本下进行。
2026-03-17 09:27 SGT
FullEvaluation
Completed
Judge v3：收紧评分标准：JSON 校验开始检查嵌套字段是否正确，部分命中从"命中一个就给高分"改成按比例计分，同时给部分题目加了多种可接受的正确答案
Benchmark v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度
2026-03-17 03:13 SGT
FullEvaluation
Completed
Judge v2：引入六种判分方法（全部命中、部分命中、精确匹配、正则、顺序匹配、JSON 结构校验），开始有比较正式的评分体系
Benchmark v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度
2026-03-17 03:10 SGT
SmokeEvaluation
Completed
Judge v2：引入六种判分方法（全部命中、部分命中、精确匹配、正则、顺序匹配、JSON 结构校验），开始有比较正式的评分体系
Benchmark v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度
2026-03-17 02:12 SGT
FullEvaluation
Completed
Judge v2：引入六种判分方法（全部命中、部分命中、精确匹配、正则、顺序匹配、JSON 结构校验），开始有比较正式的评分体系
Benchmark v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度
2026-03-17 00:45 SGT
FullEvaluation
Completed
Judge v2：引入六种判分方法（全部命中、部分命中、精确匹配、正则、顺序匹配、JSON 结构校验），开始有比较正式的评分体系
Benchmark v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度