# 01 天空之城：四模型实测记录

测试日期：2026-10-24（Asia/Shanghai）。单人评审。评估对象均为目录中的原始 HTML，未修改生成内容。

## 口径与可比性

- 采用与 [01 题提示词](prompt.md) 同一初始提交 `c3f80c5` 的 [原版评分标准](rubric-applied.md)，而非之后增加“12 栋建筑、两处花园”等要求的现行 `rubric.md`。提示词 SHA-256：`0d109a4cd2a022e7a5b8d5bfd55cfeef94c462c5a7e4ec7642aa1404e74b8ea3`。
- 模型名称、软件、推理强度取自交付文件名；除 DeepSeek 文件名含 `run2` 外，生成次数、修复次数和实际发送的提示词版本没有独立会话记录，因而不能宣称四次生成条件完全相同。
- 统一在 macOS 26.6.2、Chrome 155.0.8059.85 的独立浏览器页面测试。成片逐个以 960×540 CSS 像素、10 fps 实时录制，再无调速合成为 1920×1080、60 秒、四宫格 H.264。程序测试在 1920×1080 CSS 像素、DPR 1 的 Chrome headless 页面进行。帧间隔结果是此环境的原始指标，不能代表所有观众设备。
- 动态数量先用 `getAnimatedObjects()` 采样，再按源码中的注册路径和录像中可辨的实际运动核验。接口值不是独立真值；五节车厢视作同一列车，云雾和粒子不计。

## 文件与证据

| 模型 | 软件 | 推理强度 | SHA-256 |
| --- | --- | --- | --- |
| GPT-6 Astra | Codex | high | `0d695050918950cca6f7b3369a90c0b8065c70a4df9b0a59f7ef5d02670caf61` |
| Claude Opus 5.5 | Claude Code | high | `4fba128c24dd67aa52ec0610378f15dc74e1622044a44d4114335e61ea7064d1` |
| Kimi K3.1 Pro | OpenCode | high | `50f39a4ef0d9360318372ab9fc8d697ff325c9b09ef68b3a71e34e00091f0730` |
| DeepSeek V4.1 Flash | OpenCode | max，run 2 | `e0128b1553bb0164bd8a3918576ecf1943177427744bd6bf5e24b075baada2c7` |

60 秒四宫格视频仅保存在本地测试资料，不随网站发布。网站展示四份[原始 HTML](/arena)和关键画面：[Astra](poster-gpt-6-astra.jpg)、[Opus](poster-opus-5-5.jpg)、[Kimi](poster-kimi-k3-1-pro.jpg)、[DeepSeek](poster-deepseek-v4-1-flash.jpg)。接口与帧间隔的原始 JSON 保存在本地 `evaluation/`。

## 评分维度与逐项结论

| 维度（原版满分） | GPT-6 Astra | Claude Opus 5.5 | Kimi K3.1 Pro | DeepSeek V4.1 Flash |
| --- | --- | --- | --- | --- |
| 视觉表现与设计统一性（30） | 三层城区、平台厚度和云海最容易读懂；塔楼轮廓重复，店铺偏小。 | 街面店铺、人物和陈设可读性高；平台底部和远景结构较简化。 | 平台层次与连接明确，色彩统一；建筑和街面细节偏轻。 | 立面、底部结构、桥梁和交通细节最丰富；中央画面较满，小物件偏密。 |
| 运镜与演示叙事（20） | 四阶段完整，飞艇高潮、AER 定格明确；推进幅度较克制。 | 街面近景到全景的变化明显；第 10 秒仍被大面积白云遮挡，揭示偏慢。 | 自动卡片、飞艇、片名按时出现；四个关键帧之间构图变化较小。 | 事件与 AETHERIA 片名明确；中段中央城区的镜头变化较小。 |
| 动态密度与行为质量（20） | 接口最低 85、7 类；列车五节车厢应合并为一列。 | 接口最低 70、至少 7 类；街面角色及交通有不同运动。 | 接口最低 64、5 类；四列车与小型载具需按可辨程度复核。 | 接口最低 110、5 类；55 名行人来自独立状态函数，部分画面内较小。 |
| 店铺交互（15） | 六店悬停、三次自动卡片、手动优先和触摸通过。 | 六店悬停、三次自动卡片、手动优先和触摸通过。 | 六店悬停、三次自动卡片、手动优先和触摸通过。 | 六店悬停、三次自动卡片、手动优先和触摸通过。 |
| 播放流畅度（10） | 未按真实前台显示器核验，暂不计分。 | 同左。 | 同左。 | 同左。 |
| 单文件与可录制性（5） | 直接用 `file://` 打开并自动静音播放；无外部资源；暂停／重播有效。 | 同左。 | 同左。 | 同左。 |

**不发布完整总分或正式排名。** 原版评分标准要求未测计分项不能当作通过。无头浏览器 rAF 回调接近固定 60 Hz，不能单凭它确认实际场景每帧更新；动态对象尚未完成 20–35 秒逐帧的人工可辨认计数。上表是有证据支持的评估，不把接口候选数当作数量分。

### 动态与店铺数据

| 模型 | 20 / 25 / 30 / 35 秒可见对象候选数 | 最少类别数 | 三家自动店铺（约 3 秒／家） | 真实悬停 | 触摸 | 手动优先 |
| --- | --- | ---: | --- | ---: | :---: | :---: |
| GPT-6 Astra | 85 / 86 / 86 / 85 | 7 | Solstice、Orbit、Atlas | 6/6 | 通过 | 通过 |
| Claude Opus 5.5 | 74 / 75 / 73 / 70 | 7 | Café、Mart、Deck | 6/6 | 通过 | 通过 |
| Kimi K3.1 Pro | 70 / 64 / 72 / 76 | 5 | Cloud Nine、Little Orbit、Drift Books | 6/6 | 通过 | 通过 |
| DeepSeek V4.1 Flash | 110 / 110 / 113 / 113 | 5 | Hydro Garden、Cloud Nine、Drift Kiosk | 6/6 | 通过 | 通过 |

真实鼠标事件逐店打开，并读取 `activeShopId` 对照所指店铺；手动悬停跨越一次自动切换约 3.6 秒后仍显示手动目标；触摸用浏览器真实 `touchStart/touchEnd` 事件测试。各模型自动卡片在 15–40 秒分别展示三家不同店铺，时间序列详见 `evaluation/*.json`，坐标和结果详见 `interactions/*.json`。对于交互卡片的视觉位置，录像有自动卡片的画面证据；本轮未逐店保存手动卡片截图。

### 播放、文件与帧间隔

- 四份 HTML 都是单文件内嵌样式与脚本，源码未发现图片、视频、外部字体、库或网络加载；Chrome 以本地 `file://` 直接打开并播放。四个接口均存在，`getState().time` 在 60 秒后停在 60，结尾仍有内部动画。`restart()` 重置后，暂停约 1.2 秒时间保持不变，继续后正常前进。R／空格键在源码中接入同一控制函数；本轮自动测试主要调用接口。
- 在 1920×1080、DPR 1 的无头 Chrome 独立运行中，四份结果全程 rAF P95 分别约为 16.7、16.8、16.7、16.7 ms，超过 50 ms 的长帧占比分别约为 0%、0%、0%、0.03%；20–35 秒密集区间也在同一档。Chrome headless 的固定节拍、录制时的 10 fps 抽帧和真实前台显示环境不同，因此这里只报告原始数据，不按原版阈值给流畅度分。
- 本地对比视频的每个格子来自独立 60 秒实时录制，按相同时间轴合成，无快放、补帧或删减。片头云层、店铺阶段、高潮与 58 秒构图已在本地成片与四组四时刻拼图中复核。

### 仍需补齐的证据

1. 每个模型在物理 60 Hz 显示器、相同前台浏览器环境的完整帧间隔与画面更新复核。
2. 20–35 秒连续片段的逐帧人工对象核验，特别是部分小型载具、行人、列车车厢和可能被遮挡对象。
3. 生成会话元数据：各模型实际收到的提示词哈希、生成次数、修复机会与人工干预；没有这些记录时不宣称严格控制变量。