MATH GAUGE · v1.0.0
GLM 5.3 (max)
模型详细评测 · 公开＋私有合并成绩
AI 审核 · 部分人工抽审审核方式 →
计分口径
当前成绩
来源审核完成
39道初答的原始答卷审核完成，三项缺档已复核。三轮自查因初答未交付而未执行，仍保留未知。
All 39 initial-answer sources have been reviewed, including the three recovered records. The three self-check rounds were not run because the initial engineering delivery was absent; their scores remain unknown.
内容可靠率与目标达成率
已审内容可靠率 69.48%；已确认目标达成率 32.44%。
| 子类 | 已审内容可靠率 | 已确认目标达成率 |
|---|---|---|
| 书面论证 | 53.88% | 30.08% |
| 论证审阅 | 76.00% | 62.50% |
| 语义审计 | 71.25% | 50.00% |
| 形式化 | 100.00% | 16.67% |
| 对齐自查 | — | 0.00% |
| 背景核查 | 66.67% | 75.00% |
| 数学想法手稿化 | 100.00% | 20.00% |
| 命题拓展 | 57.14% | 16.67% |
分类贡献
贡献分 / 该项满分；相关变体在家族内聚合。
Lean · 自查计分
比较三种计分口径
整章对齐 · 固定三轮
展开三轮原答与审核
R1 · 完整原答
未留存可读原答。
R2 · 完整原答
未留存可读原答。
R3 · 完整原答
未留存可读原答。
92项义务，按最后规定轮次计分。
公开题 · 逐题成绩与证据
公开25题；私有14题计入合并成绩。
形式化初答 · 逐题核实数
按初答封卷工程核对编译及语义对应。
可靠性审核
公开题的错误承诺与扣罚理由
同根因扣罚去重；具体依据见逐题说明。
Harness与工具
Claude Code³
全56次外层请求共766次工具调用，其中562次Bash；包含失败和未闭合请求。允许本地工具与预置依赖，禁止工具联网。
³ GLM 5.3在Codex CLI和Claude Code下均出现过大量超时、无法按时交卷；本次留档采用Claude Code结果。未正常交卷的RMC与SMC为0，MC可计经核实的原成果。
运行版本与来源
Claude Code 2.1.303；采用规则选定答卷；39道初答全部结算，C003三轮因无父工程阻断。