AI中转站Bench测试
不检测渠道接口规范，只检测渠道任务能力，通过多种渠道统计渠道差异。
近 24h 中转健康度
Claude 未监测/GPT 未监测
真实编程任务通过率 · 30D
Claude 暂无记录/GPT 暂无记录
正在读取评测记录…
测试次数0
测试题目0
已记录花费未报告
综合表现分析图表
图表降噪
黄金性价比区：高通过率 · 低成本
图例过滤
表现排行榜
0 项配置暂无符合筛选条件的真实评测记录
完整配置 0
| 配置 | Agent | 数据集 | 次数 |
|---|
任务通过率 Top 10
| # | 渠道 | 模型 | 通过率 | 速度 | 成本 |
|---|---|---|---|---|---|
| 暂无具备完整计量的记录 | |||||
输出速度 Top 10（token/s）
| # | 渠道 | 模型 | 通过率 | 速度 | 成本 |
|---|---|---|---|---|---|
| 暂无具备完整计量的记录 | |||||
单次任务成本最低 Top 10（USD）
| # | 渠道 | 模型 | 通过率 | 速度 | 成本 |
|---|---|---|---|---|---|
| 暂无具备完整计量的记录 | |||||
测试任务清单
0 个渠道配置 · 0 道真实编程任务 · 0 次执行
评测方法论
基准定义
以测试题为主键，展示实际执行的编程任务成绩。保留题库版本、题目校验、Agent 版本和运行批次，不同任务集和版本分别统计。
探针环境
每次执行在隔离容器内运行。CLI Agent 通过被测渠道调用模型完成任务，再由独立验证器执行题目自带的验收脚本。
失败判定
只有验证器完整通过的执行计为通过，模型未完成任务、运行异常与超时都计入失败。
计算公式
历史通过率 = 通过次数 / 全部执行次数；按题目视图的平均线为各配置历史通过率的算术平均。
采样口径
本次成绩取每个配置的最新批次，历史成绩包含全部已导入记录。少于 3 次执行使用空心点标记样本不足。费用按币种分别统计；缺少费用或生成计时的记录显示未报告，不用任务总耗时推算 TPS。