开发记录

真实 LLM 的评测、能力与压测记录——每条结论都有对真实模型(远端网关 + 端侧 Ollama)的 实跑支撑,以 pass^k 与有据的过程校验评分。

报告正文为英文(开发记录原文存档)。

• 2026-06-15 — 真实 LLM 综合测试(TS + Python) — 17 个领域覆盖、功能 pass^k、两 SDK 各 9/9 流程、并发压测零错误、跨模型对比。
• 2026-06-13 — 完整测试报告 — 战役汇总、发现、修复与边界。
• 2026-06-13 — 远端大模型框架压测 — 450 episode、并发、策略/记忆/replay。
• 2026-06-12 — 端侧测试战役 — 端侧六阶段总报告。
• 2026-06-11 — 端侧能力与可靠性 — plan-then-execute + 投票 → 100%。
• 2026-06-10 — 端侧长跑 — 22 分钟、194 episode 多步运行。
• 2026-06-09 — 端侧性能 — 5 个本地模型的单步延迟/修复。
• 2026-05-30 — 官方基准运行 — BFCL / tau-bench / tau2。