评测框架 · 四个阶段

创建一张约 16:7 的单页横向评测框架图，采用双栏学术论文插图风格。流程从题库依次经过执行和评分，最终到达汇总。

题库包含题目来源、类型类别、难度层级，以及每道题目的元数据。执行包含被评测模型的 API、并发调度、重试、超时和原始输出留存。评分包含并行的基于规则和基于模型的两条路径，汇入一致性检查框；不一致的样本通过虚线连接器转交人工裁决。 汇总涵盖按维度、难度层级划分的结果，以及最终排行榜。 归档原始输出，并用虚线箭头将留存框连接至评分，以便评分重新运行时复用这些输出。

采用白色背景，搭配数个大面积、浅色调的分区面板。为每个分区标注小写字母编号和名称。使用圆角矩形，并采用克制而对比鲜明的配色：输入和原始数据使用同一色系，中间输出使用另一色系，处理模块使用另一色系，操作或检查使用另一色系；同类元素颜色保持一致。实线箭头用于分区内的数据流动，虚线箭头用于分区间的数据传递。页面仅呈现图表，标签应密集、精确且信息丰富，关键模块名称加粗；采用纯色填充、简洁表面和通用无品牌风格。

创建一张约 16:7 的单页横向评测框架图，采用双栏学术论文插图风格。流程从题库依次经过执行和评分，最终到达汇总。

题库包含题目来源、类型类别、难度层级，以及每道题目的元数据。执行包含被评测模型的 API、并发调度、重试、超时和原始输出留存。评分包含并行的基于规则和基于模型的两条路径，汇入一致性检查框；不一致的样本通过虚线连接器转交人工裁决。汇总涵盖按维度、难度层级划分的结果，以及最终排行榜。归档原始输出，并用虚线箭头将留存框连接至评分，以便评分重新运行时复用这些输出。

采用白色背景，搭配数个大面积、浅色调的分区面板。 为每个分区标注小写字母编号和名称。 使用圆角矩形，并采用克制而对比鲜明的配色：输入和原始数据使用同一色系，中间输出使用另一色系，处理模块使用另一色系，操作或检查使用另一色系；同类元素颜色保持一致。实线箭头用于分区内的数据流动，虚线箭头用于分区间的数据传递。页面仅呈现图表，标签应密集、精确且信息丰富，关键模块名称加粗；采用纯色填充、简洁表面和通用无品牌风格。