指纹库更新记录

v2026.10.3 2026-10-17

24 个模型，864 条已记录回复。

按 Owner 确认的上游优先来源规则，从 ModelTrace 6cd4a8f 新增 Claude Haiku 5.5。指纹库现含 24 个模型、864 条录入回复。上游已有的 18 个模型使用固定提交的原始数据，其余 6 个保留既有数据。上游主分支尚无 GPT-6.1 Sol，因此继续保留本站既有样本。评分、题目、输入检查和判定阈值不变；之前 7 个库 URL 保持原始字节。

以 v2026.10.2 为基线，唯一未通过的是旧模型三回复 CV 不下降规则：GPT-6 Astra 从 9/12→8/12。披露该回归后，Owner 再次确认上游优先。本次精确例外已记录，评估结果仍保留为未通过。库内错误 Clear 在 1/2/3 条回复下从 4/1/0→4/0/0；相同 1,932 个移除模型案例从 233→229，新增模型的 84 个案例另计 0 个错误 Clear。模拟随机输入保持 0 个 Clear。

共有 184 处结果变化。Haiku 5.5 在 1/2/3 条回复下的 CV 为 36/36、36/36 和 12/12。仅报告的单回复变化：Opus 4.7 为 34/36→35/36，GPT-5.4 为 29/36→30/36，Astra 为 24/36→25/36，GPT-6.1 Sol 为 21/36→20/36。旧模型双回复 CV 计数不变。

既有 5 组独立留出数据在 API 和 chat 粘贴路径上的逐条结果均不变。GPT-6.1 Sol 保持单回复 5/9、合并组 1/3 的 top-1，均为 0 个 Clear。Haiku 的 36 条录入回复覆盖全部 36 个模板、12 个环境；没有独立 Haiku 留出数据，也没有首次采集可用率。其录入回放通过两种输入路径，但这不是独立验证。

之前 612 条上游数据逐字节一致；仅新增 2026-10-09 采集并声明来自 OAIPro 的 36 条 Haiku 回复。对涉及 Haiku 的 30,438 对样本筛查，发现 0 个共享的 12 数片段。这不认证身份或独立生成。没有执行新的模型调用。

采用上游 ModelTrace 6cd4a8f 于 2026-10-09 经声明的 OAIPro 中转采集的 36 条回复。1/2/3 条回复交叉验证分别为 36/36、36/36、12/12；没有独立留出数据或首次可用率。尽管 Astra 三回复 CV 从 9/12→8/12，v2026.10.3 仍按 Owner 确认的上游优先决定收录。来源为声明信息，并非独立认证。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

v2026.10.2 2026-10-02

在三条入库规则未通过后，按明确的 Owner 例外决定新增 GPT-6.1 Sol。指纹库现含 23 个模型、828 条录入回复。在已记录的采样条件下，该模型与 GPT-6 Astra 存在重叠；收录不代表已能可靠区分。评分、题目、输入检查和判定阈值不变，之前六个版本的库 URL 保持原始字节。

入库基线为 v2026.10.1。Owner 在看到退步后明确选择发布。1／2／3 回复的库内错误 Clear 从 2／0／0 增至 4／1／0，候选案例数为 828／828／276。GPT-6 Astra 三回复 CV 从 12/12 降至 9/12。在相同的 1,848 个移除模型案例上，错误 Clear 从 137 增至 180；新模型另外的 84 个案例另计 53 个错误 Clear。模拟随机输入仍为 0 个 Clear。这些是记录在案的例外，不是入库规则通过。

共有 396 处结果变化。在本站 23 模型库中，GPT-6.1 Sol 一／二／三回复 CV 为 21/36、22/36、6/12。Astra 单回复 CV 为 35/36→24/36、双回复为 36/36→25/36；Opus 4.7 和 GPT-5.6 Sol 单回复为 35/36→34/36；Fable 5.1 单回复提升 35/36→36/36。全部变化案例见下表。

9 条单独采集、从未参与拟合的留出回复：GPT-6.1 Sol 单回复 top-1 为 5/9，三回复组为 1/3，Clear 分别为 0/9、0/3。中文和英文 prose 组仍将 Astra 排第一，英文 JSON 组将 GPT-6.1 Sol 排第一。API 和 chat 粘贴路径一致。四个已有独立留出回复的模型，top-1 和 Clear 数保持不变，没有错误 Clear。

本站题目条件的交叉验证中，GPT-6.1 Sol 的 12 次运行是 0 次正确 Clear、9 次仅家族、3 次证据不足。扩大后的模型库首页结果为 56/69 次正确模型运行、0 次错误、9 次仅家族、4 次证据不足。证据弱时仍保留原核心第一名，用户声明不会改变排名。

2026-10-02 经官方 Codex CLI 0.159.1、现有 ChatGPT 登录、low 推理强度采集，每题一个全新的 ephemeral 进程。首次可用率为录入 35/36、留出 9/9。query-31 首次只返回四个数字，原件保留，使用同题同设置在新会话中补采一次。45 条选用回复中 33 条恰好符合请求数量，12 条不完全相同，均未裁剪或修复。发现两个共享的十二数片段，仅作诊断，不构成独立性证明。

Codex 自带与主机指令仍存在；题目 system 块经 developer instructions 传入。模型身份是 CLI 请求的选择，不是独立认证，也不声称与干净 API 请求等价。上游 PR #28 仍是独立的实验数据贡献，本站发布不代表上游已经合并或启用。能力分数 52 来自 Artificial Analysis v4.3.2 的 max 配置，不是本站指纹测量；OpenAI 标价为每百万 token 输入 $2、输出 $10。

本批 Codex CLI 样本与 GPT-6 Astra 的区分能力有限。新留出回复 top-1：单回复 5/9，三回复组 1/3；Clear：0/9、0/3。三条入库规则未通过，Owner 在披露这些退步后明确决定收录。模型名仍表示库内最近候选，不是经过认证的身份。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 396 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.10.1 2026-10-02

新增 ModelTrace 提交 d4131b3 中的 Claude Sonnet 5.5：2026-09-30 经 OAIPro 中转采集的 36 条原始入库回复，覆盖 12 个环境。指纹库现含 22 个模型、792 条回复。之前的参考样本与已发布的五个版本库 URL 均保持原始字节。评分代码、挑战题目、输入检查和判定阈值均未修改。

相对已发布的 v2026.09.5，四条入库规则全部通过。1／2／3 条回复下的库内错误 Clear 保持 2／0／0，候选库案例数为 792／792／264。原有 21 个模型在各回复数下的交叉验证命中数全部不变，三回复均保持 12/12。在相同的 1,764 个移除模型案例上，错误 Clear 从 141 降至 136：新增 3 个，消除 8 个。Sonnet 5.5 另增 84 个移除模型案例，其中 1 个错误 Clear。模拟随机输入仍为 0 个 Clear。

共有 258 处结果变化。Sonnet 5.5 在一／二／三回复交叉验证中的 top-1 为 36/36、36/36、12/12。本站题目条件下，Sonnet 的 12 次运行均为正确 Clear；移除 Sonnet 后，12 次均为证据不足。这些是对上游入库数据的评估，不是独立留出测试，也不是实际使用准确率保证。

本站条件变化仅作报告，各模型 12 次运行：Opus 4.8 正确 Clear 为 7→5、Sonnet 5 为 10→9、GPT-6 Sol 为 6→5、GPT-5.6 Terra 为 11→12；DeepSeek 保持 4 个 Clear，另有 1 个仅家族结果变为证据不足。没有运行变为错误 Clear。首页正确模型运行数从 55/63 变为 58/66，错误数仍为 0；分母增加是因为 Sonnet 加入了模型库。

四个已有独立留出回复的模型，单回复 top-1 保持 8/9、9/9、8/9、9/9，三回复组 top-1 均保持 3/3，错误 Clear 均为 0。Kimi 单回复正确 Clear 为 5→6，DeepSeek 为 4→3；Gemini 与 Qwen 不变。

能力和价格来源于 2026-10-02 重新读取。Sonnet 5.5 的 Artificial Analysis v4.3.2 分数为 56，配置为 Adaptive Reasoning, Max Effort, Default Fallback；Anthropic 标价为每百万 token 输入 $2、输出 $10。GPT-6 Luna 的分数现为 38。指数已将 GPT-6 Sol 和 Sonnet 5 标为被取代，因此它们保留模型页和识别覆盖，但退出能力榜。

这 36 条回复来自 ModelTrace d4131b3，经 OAIPro 中转采集。使用上游入库数据进行本站题目条件评估，正确 Clear 为 12/12。未另外采集 Sonnet 5.5 留出回复；服务身份和独立生成属于声明的来源，并非已认证事实。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 258 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.09.5 2026-09-23

新增 GPT-6 Sol、GPT-6 Luna 与 Claude Opus 5.5，直接采用上游 ModelTrace 指纹库（提交 55a2e4a，2026-09-23）发布的数据：两个 GPT 模型经官方 Codex 订阅采集，Claude Opus 5.5 经 OAIPro 中转采集。三个模型各有上游在 12 个题目环境下的 36 条入库回复，没有一条出错。我们没有为这三个模型自行采集回复，也没有单独的留出回复。评分代码、题目、输入检查与判定阈值均未修改，之前四个版本的库 URL 字节保持不变。

入库沿用 2026-09-18 的同一套四条规则，基线为已发布的 2026.09.4。本库有一条规则差 1 个案例未通过，由 Owner 明确决定收入。第 3 条规则（移除真实模型测试中的错误 Clear，在相同的 1,512 个案例上比较）从 131 变为 132（新增 21 个，消除 20 个）。其余三条均通过：库内错误 Clear 在 1／2／3 条回复下保持 2／0／0（随着三个新模型加入，样本数分别从 648→756、648→756、216→252）；原有 18 个模型的三回复 CV 全部保持 12/12；模拟随机输入在 1／2／3 条回复下均保持 0 个 Clear。单独收入任一家族都能通过全部四条规则（只收 GPT-6 Sol 与 Luna：131→127；只收 Claude Opus 5.5：131→131），Owner 选择三个一起收入。三个新模型自身的 252 个移除模型案例衡量的是旧库对它们回复的处理，另计 9 个错误 Clear，单独报告。

相对旧库共有 858 处结果变化。原有模型的一／二回复 CV 变化（仅影响报告）：GPT-5.4 一回复 33/36→29/36、二回复 36/36→35/36；GPT-5.5 35/36→34/36、GPT-6 Astra 36/36→35/36、DeepSeek V4 Pro 0813 34/36→33/36（均为一回复）下降；Claude Sonnet 4.6 一回复 34/36→36/36、GPT-5.6 Sol 一回复 34/36→35/36 上升。这些变化都不影响任何模型的三回复 CV。跨渠道 Clear 一回复 47/72→46/72、二回复 48/72→51/72，三回复保持 18/24。全部结果变化案例见下表。

三个新模型在上游自身回复上的交叉验证（每条回复评分时把它自己从库里拿掉；这不是留出测试）：GPT-6 Sol 在 1／2／3 条回复下 top-1 为 33/36、36/36、12/12；GPT-6 Luna 与 Claude Opus 5.5 均为 36/36、36/36、12/12。在本站自身条件下（针对本站提供的三种题型之一回答三条，并应用判定），Claude Opus 5.5 在 12 次中 12 次被判为 Clear，GPT-6 Luna 8 次（1 次接近候选、3 次弱匹配），GPT-6 Sol 6 次（4 次接近候选、2 次弱匹配），没有错误 Clear。旧库对这三个模型全部拒绝判定，没有误判；其中 Claude Opus 5.5 在 12 次中有 11 次最接近 GPT-5.4，且全部为弱匹配。

本站条件下 Clear 次数有变化的原有模型（仅报告，每个 12 次）：Claude Opus 4.7 11→10、Claude Opus 5 12→11、GPT-6 Astra 11→10、DeepSeek V4 Pro 0813 5→4、Qwen3.8 Max 0902 12→11。每一次变化都变成了接近候选或弱匹配，没有变成错误模型。全部模型合计，本站条件下判对的次数从 54 次中 48 次变为 63 次中 55 次，错误仍为 0。一组真实粘贴也有同样的变化：Owner 确认为 GPT-5.6 Sol 的三条 ChatGPT 回复（2026-09-15，本站 JSON 题目）由 GPT 家族内的接近候选变为弱匹配；最接近的仍是 GPT-5.6 Sol，新加入的 GPT-6 Sol 排第二。

已有单独留出回复的四个原有模型，用两个库分别重新评分这些已保存的回复：Kimi K2.6、Gemini 3.8 Flash、DeepSeek V4 Pro 0813 与 Qwen3.8 Max 0902 的单回复 top-1（8/9、9/9、8/9、9/9）和三个环境组结果（均为 3/3）与旧库相同，没有错误 Clear。Kimi 的单回复 Clear 从 4 次增加到 5 次，其余不变。

来源说明：上游的 GPT 数据来自官方 Codex 订阅，Claude 数据来自 OAIPro 中转，因此服务身份属于声明，不是独立认证。GPT-6 两个模型的数据记录了 Codex CLI 0.155.1 与低推理强度（reasoning effort low），上游更早的 GPT 数据没有记录这两项设置。新增数据按字节从上游两个参考文件末尾截取，文件前半部分（本库已有的 13 个上游模型）没有任何改动。

直接采用上游 ModelTrace 55a2e4a 发布的数据，我们没有自行采集回复或留出回复。在上游 36 条回复上交叉验证（不是留出测试），单回复 top-1：GPT-6 Sol 为 33/36，GPT-6 Luna 与 Claude Opus 5.5 为 36/36；三条回复时三者均为 12/12。v2026.09.5 由 Owner 决定收入，尽管入库第 3 条规则在 1,512 个移除模型案例上从 131 变为 132；全部变化见更新日志。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 858 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.09.4 2026-09-18

新增 DeepSeek V4 Pro 0813 与 Qwen3.8 Max 0902，均经 OpenRouter 锁定供应商（deepseek、alibaba）采集，推理保持供应商默认设置，补全 token 上限 16,384。两者各有 36 条入库回复与 9 条针对本站题目单独采集的留出回复，全部正常收尾，零错误、零 token 耗尽。评分代码、题目、输入检查与判定阈值均未修改，之前三个版本的库 URL 字节保持不变。

入库沿用 2026-09-18 的同一套四条规则，基线为已发布的 2026.09.3：库内错误 Clear 在 1／2／3 条回复下保持 2／0／0（随着两个新模型加入，样本数分别从 576→648、576→648、192→216）；原有 16 个模型的三回复 CV 全部保持 12/12；移除真实模型测试在相同的 1,344 个案例上，错误 Clear 从 138 降到 128（新增 12 个，消除 22 个）；模拟随机输入在 1／2／3 条回复下均保持 0 个 Clear。两个新模型自身的 168 个移除模型案例衡量的是旧库对它们回复的处理，另计 3 个错误 Clear，单独报告，不计入该规则。

相对旧库共有 512 处结果变化。原有模型的一／二回复变化（仅影响报告，不影响任何模型的三回复 CV）：Claude Sonnet 4.6 一回复 35/36→34/36、Claude Sonnet 5 一回复 32/36→31/36 下降，Claude Opus 4.8 二回复 36/36→35/36 下降；Claude Opus 4.8 一回复 29/36→30/36、GPT-5.6 Terra 一回复 35/36→36/36 上升。全部结果变化案例见下表。

针对本站九道题目的新留出回复，API 输入路径与 chat 分支结果一致：DeepSeek 单回复 top-1 由旧库的 0/9 提升到 8/9（Clear 1→4），三个环境组由 0/3 提升到 3/3（Clear 0→1）。Qwen 单回复 top-1 由 0/9 提升到 9/9，Clear 由 0 提升到 9 — 全部九条留出回复均为 Clear — 三个环境组由 0/3 提升到 3/3（Clear 0→3）。两个模型全部 90 条已保存回复（各 36 条入库 + 9 条留出）在页面自身输入检查的 api 和 chat 两条分支下均通过，没有一条会被拒绝。

本次替代了 WP5d 一轮被排除的尝试：DeepSeek 关闭思考后曾在自身 query-28 回复上被 Clear 判为错误模型，并出现 2,700 多个数字的循环输出；Qwen 的强制推理曾在大量请求中耗尽 8,192 token 上限。本轮推理保持供应商默认设置，并将上限提高到 16,384 token；两个模型的全部请求均以 stop 正常收尾，零错误。

采集器修复，仅涉及证据环节：被截断的分块 HTTP 响应（http.client.IncompleteRead，其基类是 HTTPException 而非 OSError 或 ValueError）此前不在 collect_common.py 的捕获异常元组内，导致一次截断响应使整批采集直接崩溃，而不是记为一次失败尝试。修复方式是把 http.client.HTTPException 加入捕获元组；采集器每次请求仍只发送一次 POST，未新增重试。修复后两个采集器测试套件已重新跑绿，随后才继续本批采集。

OpenRouter 本身也是中转：库 id 记录了锁定的供应商，每次请求都回读了生成记录，但这是声明的来源，不是对模型身份的独立认证。提供另一 DeepSeek 或 Qwen 构建的中转站可能不匹配。

针对本站九道题目的新留出回复，API 输入路径与 chat 分支结果一致：旧库两个模型的 top-1／Clear 均为 0/9、0/9；本库中 DeepSeek 单回复为 8/9、4/9，三个环境组为 3/3、1/3；Qwen 单回复为 9/9、9/9（全部回复均为 Clear），三个环境组为 3/3、3/3。经 OpenRouter 锁定服务供应商采集；身份属于声明的来源，不是独立认证。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 512 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.09.3 2026-09-18

新增经 OpenRouter 锁定 Google Vertex 采集的 Gemini 3.8 Flash：36 条入库回复，另有 9 条针对本站题目的留出回复。这是本库中第一个既非 GPT、Claude，也非开源权重的模型家族。评分代码、题目、输入检查与判定阈值均未修改，之前两个版本的库 URL 字节保持不变。

入库依据 2026-09-18 的四条规则：库内错误 Clear 在 1／2／3 条回复下保持 2／0／0；原有 15 个模型的三回复 CV 全部保持 12/12；移除真实模型测试在相同的 1,260 个案例上，错误 Clear 从 136 降到 129（新增 9 个，消除 16 个）；模拟随机输入保持 0 个 Clear。Gemini 自身的 84 个移除模型案例衡量的是旧库对 Gemini 回复的处理，另计 9 个错误 Clear，单独报告，不计入该规则。

Gemini 3.8 Flash 在分组交叉验证中 1／2／3 条回复的结果为 35/36、36/36、12/12。原有模型的一／二回复变化：Claude Haiku 4.5 一回复 36/36→35/36，GPT-5.6 Sol 一回复 35/36→34/36；GPT-5.4 一回复 32/36→33/36、二回复 35/36→36/36。跨渠道 Clear 一回复 45→46、二回复 47→46。全部结果变化案例见下表。

针对本站九道题目的新留出回复：旧库在 9 条单回复和 3 个三回复组中均未命中 Gemini（0/9、0/3）；本库命中 9/9 和 3/3，其中 Clear 为 7/9 和 3/3。每条回复都能通过页面的 API 输入路径和 chat 分支，两条路径对该模型结论一致。

本轮未入库：DeepSeek V4 Pro 0813（候选库中它自己的 query-28 回复被 Clear 判为 Claude Opus 4.6，违反规则一；关闭思考后还出现 2,700 多个数字的循环输出，三道题需要重试；36 条回复中有 11 条因少数超过 355 的数值在当时被页面的 API 路径拒绝）和 Qwen3.8 Max 0902（强制推理在 23 次入库尝试中有 6 次、9 次留出尝试中有 5 次耗尽 8,192 token 上限；采集另行继续）。两者仅作研究证据保留。

OpenRouter 本身也是中转：库 id 记录了锁定的供应商，每次请求都回读了生成记录，但这是声明的来源，不是对模型身份的独立认证。提供另一 Gemini 构建的中转站可能不匹配。

输入更新，2026-09-18，指纹库未变：由普通整数组成的 JSON 数组回复，不再因为少数数值超出 1 到 355 而被整条拒绝；这些数值会被忽略，与其他所有回复形式完全一致，不裁剪、不修复、不重新拆分任何数字。在 576 条已保存的入库回复中，这条规则曾拒绝来自七个 GPT 和 Claude 模型的 20 条回复；现在 20 条全部接受，结果与 chat 路径完全一致，每条最多忽略 4 个数值。含正负号、小数、指数、文字或嵌套项的数组仍被拒绝，格式损坏的数组以及全部 648 个模拟换行截断同样仍被拒绝。

针对本站九道题目的新留出回复：旧库 top-1／Clear 为 0/9、0/9；本库单回复为 9/9、7/9，三个环境组为 3/3、3/3。页面的 API 输入路径与 chat 分支均接受全部九条回复。经 OpenRouter 锁定 Google Vertex 采集；身份属于声明的来源，不是独立认证。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 340 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.09.2 2026-09-18

新增由 Cloudflare Workers AI 托管的 Kimi K2.6，复用 9 月 17 日的 36 条入库回复与另行采集的 9 条留出回复。这是特定托管渠道的指纹，不是对各中转站实际模型身份的认证。评分代码、题目、输入检查与判定阈值均未修改，旧库 URL 的字节保持不变。

本版准入要求：库内模型在 1/2/3 条回复时的错误 Clear 数分别不增加；原模型三回复 CV 逐模型不下降；移除真实模型后的错误 Clear 总数不增加；随机输入 Clear 为零。一／二回复 CV 变化、逐个结果翻转及跨渠道变化在下方披露，不再暗中作为额外发布门槛。

原 14 个模型的三回复 CV top-1 均保持 12/12。Kimi 在 1/2/3 条回复时分别为 32/36、35/36、12/12。这是分组交叉验证结果，不是通用准确率承诺。

移除真实模型的测试中有 6 个新增错误 Clear、9 个消失案例，总数从 139 降到 136。下方完整的 186 个案例列出相同 3,120 次基线比较中所有 top-1 或判定变化；准入总数同时包含新增模型的测试案例。

另行保留的 Claude 三组回放中，top-1 均保持不变；Haiku 的 Clear 从 2/3 降为 1/3，Sonnet 保持 3/3，Opus 保持 0/3。历史原始采集和重试链路的保留意见仍然适用。

本版未收录 DeepSeek V4 Pro 0813：新 24k 输出上限请求及保持请求体不变的超时重试均返回 HTTP 408。未收录 GLM 5.3：完整回复长 25,348 字符，超过未修改的 20,000 字符输入上限。核验的 Workers AI 目录未发现符合范围的 Qwen 旗舰型号，未使用 30B 试点替代。

针对本站九道题目的新留出回复。发布时页面的 API 输入路径只接受 9 条原始回复中的 6/9：两条 JSON 数组回复含少数超过 355 的数值，另一条（query-17）混有多个代码块和说明文字。自 2026-09-18 输入更新起，这类数组与其他形式的回复一样读取，超出范围的数值被忽略，页面接受 8/9：top-1／Clear 为 8/9、5/9，三个环境组为 3/3、2/3，其中 JSON 组只用了三条中的两条。query-17 仍被拒绝。未修复或重新采集任何输入；三个题组不等于已证明独立或跨供应商覆盖。

一／二回复 CV 变化（仅报告）

跨渠道 Clear（仅报告）

共 186 处结果变化。完整列表保留在该版本的证据记录中，为控制本页体积此处不再展开。

v2026.09.1 2026-09-13

第一个公开指纹库。十三个模型继承自 ModelTrace（六个 GPT、七个 Claude，均经 API 渠道采集，标注为上游来源），另加经 Claude Code 采集的 Claude Fable 5.1，每道挑战一个独立会话。输入门槛与开放集判定随本版本一同上线。