0 Fork 0

Files

T

Jesse ZhangandClaude Fable 5 6ea3916b83 Add Arena blind battles, model-grouped Demo Show, and a community leaderboard

Each case now defaults to Arena mode: two anonymous artifacts (identities
hidden, footers suppressed) battle via A / B / Neither, reveal after the
vote, with the same clip-reveal motion language as the rest of the site.
Demo Show replaces the per-combination tab strip with one tab per model;
multi-harness models get a harness switcher and a side-by-side compare,
so the lineup no longer bloats as harnesses multiply.

Votes live in lib/arena.ts (localStorage, custom event fan-out) and rank
via Bradley-Terry fits on pairwise wins, LMSYS Chatbot Arena style, with
'neither' surfaced as a both-bad rate. The #board section stays locked
until 3 votes are cast in each case (blind first, board after), then
shows your votes plus the ranking. When VITE_ARENA_API is configured the
store syncs to the zero-dependency Cloudflare Worker + D1 backend in
worker/ (Turnstile verification, per-IP daily caps, idempotent retries);
deploy steps live in worker/README.md.

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

2026-06-10 19:49:36 +01:00

5.4 KiB

Raw Blame History

NAGI BENCH

中文 | English

NAGI STUDIO 的 LLM 测评案例集：同一段提示词，不同「模型 × Harness × 思考配额」组合，一次生成、不许返工，并排对比它们交出的可运行作品。

线上站点： https://bench.nagi.fun/

模型与 Harness 的关系

模型（Model）：权重与推理引擎本身，如 GPT-5.5、Gemini 3.1 Pro、Claude Fable 5。
Harness（运行环境）：包裹模型的产品/脚手架，如 Codex CLI、Cursor、AntiGravity、Claude 网页版——它决定工具调用、系统提示词、上下文管理与续写策略，对最终产出的影响往往不亚于模型本身。
因此本仓库的测评单位是组合：同一个模型在不同 Harness 或不同思考配额下，记为不同条目（例如 GPT-5.5 Pro 与跑在 Codex CLI 里的 GPT-5.5（xhigh）是同一模型家族的两条记录）。思考配额默认拉满（Max），未来同一组合可以追加新配额版本。

已测组合 / Registry

模型	厂商	Harness 环境	思考配额	产出
Claude Fable 5	Anthropic	Claude 网页版	Max	02
Claude Fable 5	Anthropic	Claude Code	Max	02
GPT-5.5 Pro	OpenAI	ChatGPT 网页版	Extended Pro	02
GPT-5.5	OpenAI	Codex CLI（无 skill）	xhigh	02
Gemini 3.1 Pro	Google	AntiGravity	High	02
Gemini 3.1 Pro	Google	Google AI Studio	High	01
Gemini 3.5 Flash	Google	AntiGravity	High	02
Gemini 3.5 Flash	Google	Google AI Studio	High	01
Grok Build	xAI	Grok Build TUI（本地）	Max	02
Composer 2.5	Cursor	Cursor	Max	01
DeepSeek-V4-Pro	DeepSeek	Claude Code	Max	02
Doubao Seed 2.0 Pro	ByteDance	豆包网页版	超能模式	01
Doubao Seed 2.0 Mini	ByteDance	豆包网页版	快速模式	01
MiMo v2.5 Pro	Xiaomi	Claude Code	Max	02
Kimi K2.6	Moonshot AI	Kimi Code（本地）	Default	02
MiniMax M3	MiniMax	MiniMax Code 网页版	Thinking	01

待测：Mistral Medium 3.5 · GLM-5.1 · Qwen3.7-Max（欢迎 PR 补充）

此表为人工维护的快照；站点上的「模型阵容」表由 models/*.json 实时生成，以站点为准。

Arena 盲评与社区榜单

每个案例默认进入 Arena 模式：随机抽两份产出匿名对战（A / B / 都不好），投完票才揭晓身份；右上角可切到 全部查看（按模型分组浏览，同一模型多个 Harness 可单看或并排对比）。
在两个案例各投满 03 票后解锁社区榜单：按 Bradley-Terry 评分排名（LMSYS Chatbot Arena 同思路），「都不好」单独计入双败。
投票默认存浏览器本地；部署 worker/（Cloudflare Worker + D1 + Turnstile 防刷，免费档即可）后自动升级为全站众包数据，步骤见 worker/README.md。

结构 / Structure

outputs/<model-id>/<case-id>.<ext>   模型产出原文件（HTML / SVG），文件名 = 案例 id
models/<model-id>.json               组合登记：label / vendor / harness / effort / order / 各案例运行备注
site/                                展示站点（Vite + React + Tailwind v4 + GSAP，bun 驱动）
site/src/data/cases.json             案例定义：双语标题与提示词（维护者维护）
.github/workflows/                   deploy.yml 自动部署；ci.yml 对 PR 跑数据校验 + 构建

本地开发 / Development

cd site
bun install
bun run dev      # 同步 outputs/ 并启动 http://localhost:5173/
bun run build    # 数据校验 + 类型检查 + 产物构建（输出到 site/dist）

贡献一个模型产出 / Contributing a run

贡献不需要改任何代码，只涉及两类文件：

产出文件：outputs/<model-id>/<case-id>.<ext>（如 outputs/gpt-5-5-pro/pelican-cycling.svg）。
组合登记：models/<model-id>.json（新组合新建文件；已有组合在 runs 里加一条）：

{
  "label": "GPT-5.5 Pro",
  "vendor": "OpenAI",
  "harness": "ChatGPT Web",
  "effort": "Extended Pro",
  "order": 20,
  "runs": {
    "pelican-cycling": {
      "note": {
        "zh": "在哪个 Harness 里、什么思考档位、是否一次生成、是否有修复",
        "en": "Which harness, what effort level, one-shot or fixed"
      },
      "contributor": "你的 GitHub 用户名"
    }
  }
}

规则（CI 自动校验，不满足会挂）：

model-id 只用小写字母/数字/连字符（如 doubao-seed-2-0-pro），文件名与 outputs/ 目录名一致；
每条 run 的 note 双语必填——这是本仓库的可信度来源，必须写明产出怎么来的；
声明的 run 必须有对应的产出文件；
同一组合对同一案例可提交多个版本：runs.<case-id> 写成数组，第二个版本起必须用 file 指定不同文件名（如 pelican-cycling-2.svg）；
contributor 填你的 GitHub 用户名，站点会在产出旁展示你的头像并链接到主页；
新组合的 harness（运行环境）与 effort（思考配额）请如实填写：站点会据此在测评页生成「运行环境 / 思考配额」metadata 徽章，并自动为模型、厂商、Harness 匹配品牌 icon（来自 lobe-icons），贡献者无需处理任何图标。

提 PR 后 CI 会跑数据校验 + 构建；合入 main 自动部署。

5.4 KiB Raw Blame History Unescape Escape