Kimi 3.1 Pro (max)
模型详细评测 · 公开+私有合并成绩
当前成绩
内容可靠率与目标达成率
已审内容可靠率 91.14%;已确认目标达成率 68.03%。
| 子类 | 已审内容可靠率 | 已确认目标达成率 |
|---|---|---|
| 书面论证 | 91.11% | 80.56% |
| 论证审阅 | 91.14% | 81.25% |
| 语义审计 | 80.00% | 75.00% |
| 形式化 | 99.46% | 98.91% |
| 对齐自查 | 79.49% | 33.33% |
| 背景核查 | 92.92% | 78.57% |
| 数学想法手稿化 | 95.77% | 62.41% |
| 命题拓展 | 100.00% | 0.00% |
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
KEEP
本轮未发现需要修改的缺陷,保留上一版全部源码及 alignment.json,未改动原始规格或冻结背景。
核查依据:
- 固定环境吻合:Lean
4.29.1、编译器提交f72c35b3f637c8c6571d353742168ab66cc22c00;mathlib 提交5e932f97dd25535344f80f9dd8da3aab83df0fe6。 lake build Main统一构建成功;Main.lean导入全部 12 个Ch03目标及辅助模块。- 对齐表恰好覆盖
obligations.json的 92 个 ID,无缺失、额外项或重复;所有项均为complete,具有非空representation和实际声明,依赖 ID 均合法。 - 对对齐表涉及的 165 个不同声明逐一执行公理审计,结果仅出现允许的
propext、Classical.choice、Quot.sound,未发现其他公理或占位证明。 - 源码中未发现
sorry、admit、新增axiom、unsafe或native_decide。 - 逐项复核了定义和结论对应关系,特别检查了有限链零步基例、实际中间像域、常值优先分支、空限制域、无有限覆盖、无穷半径与无穷熵,以及各习题的合法结构和反例计算。
仍有的不确定性仅在于:冻结背景和固定 mathlib 按题意作为受信任依赖使用,本轮没有重新形式化或独立审计其全部数学内容;构建中的风格及未使用变量警告不影响内核检查结果。
R2 · 完整原答
KEEP
本轮复核未发现需要修复的缺陷,上一版全部源码和 alignment.json 均原样保留,未改动原始规格或冻结背景。
核查依据:
lake build Main成功,共完成 3305 个构建任务。- 绕过 Lake 缓存,对
Main.lean及全部 12 个Ch03源文件逐一重新 elaboration,全部通过。 alignment.json恰好覆盖全部 92 个义务 ID,无缺失、重复或额外项;所有项均为complete,表示说明非空,依赖 ID 均合法。- 对齐表涉及的 165 个不同声明均真实存在并可由
Main导入。 - 对这 165 个声明逐一执行
#print axioms,165 份报告全部通过,仅含允许的propext、Classical.choice、Quot.sound。 - 未检出
sorry、admit、新增axiom、unsafe或native_decide。 - 重新核对了实际中间像域、有限链零步基例、常值优先分支、空集与无有限覆盖情形、无穷半径和无穷熵,以及各习题的完整计算与反例,未发现遗漏或结论弱化。
剩余不确定性仅限于信任边界:冻结背景和固定 mathlib 按题意作为外部依赖使用,本轮未独立重证其全部内容;现有风格及未使用变量警告不影响内核检查与覆盖结论。
R3 · 完整原答
KEEP
本轮复核未发现需要修复的缺陷,未修改任何交付源码、alignment.json、原始规格或冻结背景。
核查依据:
- 当前环境确认为 Lean
4.29.1,编译器提交f72c35b3f637c8c6571d353742168ab66cc22c00;Lake 清单中的 mathlib 提交为5e932f97dd25535344f80f9dd8da3aab83df0fe6。 lake build Main成功,完成全部 3305 个构建任务;另行直接执行lake env lean Main.lean也通过。alignment.json恰好包含全部 92 个义务 ID,无缺失、重复或额外项;全部为complete,表示说明均非空,依赖 ID 均有效,声明文件均存在。- 对齐表共有 177 次声明引用、169 个不同声明。通过
import Main对这 169 个声明逐一重新执行公理审计,全部成功,未发现允许的propext、Classical.choice、Quot.sound之外的公理。 - 交付源码中未检出
sorry、admit、新增axiom、unsafe或native_decide。 - 复核了各反例的合法域与基数、有限链零步基例和实际像域、商映射的代表元无关性、无穷半径及无穷熵分支、覆盖数端点和全部习题结论,未发现遗漏或弱化。
剩余不确定性仅限于信任边界和非形式语义判断:冻结背景与固定 mathlib 按题意作为受信任依赖,未独立重证其全部内容;原文自然语言与 Lean 表示的对应关系虽经逐项复核,仍不属于内核能够机械判定的性质。现有风格及未使用变量警告不影响上述构建和公理检查结论。
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 Code
整批951次工具调用,其中301次Bash命令;包含原始中断和恢复段。允许本地工具及预置依赖,禁止工具联网。
运行版本与来源
Claude Code 2.1.303;47次物理调用全部保留,初答重跑按首次正常交付选定。C003 R3依据用户事后断电排查接纳同一轮恢复;原始终态保留,后台和OS隔离认证不升级。