g· GeoBench
已归档（2026-10-03）

本页是旧的逐题 AI 流程（Builder v0.3，M0–M6）。新题一律由题型族代码生成、独立检查器复算，见 出题系统 ↗。本页保留用于追溯旧运行。

BUILD / INSPECT / IMPROVE

定义、构造、验证。
按题型复用整个流程。

从科学材料到候选问题。看清每一步做什么、由谁执行，
以及它能保证什么、还不能保证什么。

REUSABLE TYPES / REAL EXECUTION

从模板到实例：看得到，也能复算。

01 定义问题

明确题型、科学考点、输入和评分。M0–M3 保留为具体实现。

02 构造问题

相同模板更换结构，M4 程序生成数值短答案。

03 验证问题

M5–M6 检查每份输入输出，保留证据，再抽查语义。

打开题型与计算器工作台：2 类函数 · 12 份真实输入 ↗

可切换实例、展开学生输入、复算结果、查看短答案与源代码。设计选择题与开放结构生成分别标明未实现原因。

FOLLOW THE DATA

从“填哪一格”，到“这批题能否入池”。

例如：化学 × 1–10 nm。先确认这是输入尺度还是推理尺度；检索后还要验证实际尺寸，不能用目标区间替代测量。

查看目标清单示例（不是已启动的批次）
目前实际如何运行
Codex 解释目标、按规程检索和取得材料 → 本地程序整理材料并控制 M2–M6。自动检索器、通用 benchmark 导入器、跨批统一入池尚未实现。


底层模块与实现细节
选择一个模块，查看它的实现与改进入口。




INSPECT A REAL RUN
我怎么查看这一轮的输入和输出？
下方各模块提供示意数据。实际运行时，每步的请求包与接受结果保存在本地 run 目录。
  1. 直接告诉 Codex：“打开这轮 M2 的实际输入和输出。”
  2. 或生成本批记录查看器：python tools/inspect_run.py --run runs/你的批次 --html
  3. 打开生成的 run-view.html，逐模块展开原始记录；未生成的文件会明确标记。
公开网站不自动读取你的本地 run。真实记录包含内部证据和答案，查看器留在本地；这里展示的示例不算新 QA。
SHARED INFRASTRUCTURE
独立维护，也保留清楚的连接。
调度与记录
pipeline.py 管理执行顺序、上下文、运行快照、失败记录和分支重跑。
共用底层能力
builder.py 保留文件读写、基础校验与旧版兼容检查。模块不是七套互不相干的程序。
优化与验证
修改对应目录，先跑模块测试，再跑全流程。改变数据字段时检查下游依赖，新建运行记录。
此页面展示公开的实现文件，不在浏览器运行模型。测试数据通过不等于真实问题已达到科研标准。