背景与测试动机

前段时间为了对比测试 DeepSeek V4P 和 MiMo .5P，专门写了一个独具中国特色的测试用例——掌门日记！在五一假期和 Opus4. 讨论了很久才敲定题目。按理说，出题时我们主要考虑了模型的两大痛点：

• 模型对比难：缺少统一的评测框架。导致结果难以复现，
• 需求落地模糊：很多模型在面对不明确的需求时会自行补全，导致实现偏差。

本次测评不仅要比较模型输出质量。还要从可玩性、数值平衡、文案文学性、UI 沉浸感、完整度等多维度打分，直击使用者最关心的痛点。

题面概述

玩家是新立门派的开山掌门。游戏主要循环是“以月为单位推进时间，每月做关键决策。门派状态随之演化”，目标是把三流山寨经营成名震江湖的大派。

必须包含的元素

• 至少 X 项门派属性命名需有武侠味，避免使用“等级”“经验值”。
• 弟子程序：弟子拥有姓名、资质、内力、武学专精、忠诚度。可招募、外派，会成长也会叛逃。
• 每月随机事件：
  • 江湖类的观点是，邻派挑衅、朝廷封赏、弟子走火入魔等。
  • 生活类的观点是，米价上涨、掌门腰疼等。
  事件选择必须影响后续状态。
• 武学程序：自创至少 N 门武功。每门包含名字、属性加成、修炼条件，弟子可习武。
• 年终论剑结算：每过 M 个月触发一次比武大会，根据综合实力给出排名与封号。
• 存档功能：浏览器内可保存进度。

风格要求

• UI 必须有武侠氛围：Panda SaaS 风不可取，建议使用泛黄宣纸底、竖排标题、毛笔字感。
• “半文半白”。事件描述像武侠小说片段，避免干巴巴的叙述。
• “张三”、“李四”不可出现，需要自行生成有意境的名字。

交付要求

K 个月不出现死循环或 UI 崩溃。老实说，

考察维度 & 痛点映射

评分卡 & 打分细则

. 能不能跑通

• 打开即玩，无报错；
• 有小报错但不影响主要循环；
• 需要手动改代码才能跑；说起来，
<|... truncated due to length limit ...