VERIFIED MODEL BENCHMARK

stealth/ox 模型实测结果

stealth/ox（stealth/ox-alpha）在 full 套件中完成 27 个测试小项，综合结果为 88.1/100；公开 AI 能力、工程质量、提示词、模型回答、评分依据与测试版本。

综合得分

88.1/100

AI 能力得分

100.0/100

工程质量得分

76.1/100

品牌

未知品牌

上下文区间

256K–1M

测试时间

2026-08-21

测试口径与可复现信息

综合得分为本套件所覆盖维度的等权平均；AI 能力与工程质量各自按固定用例权重归一化为 100 分。能力探测项仅描述接口支持情况，不计入得分。

请求模型名: stealth/ox-alpha
测试套件: full
套件版本: 2026-08-15.3
执行链路: muchtoken 网关端到端

逐项测试结果

integration · engineering

protocol.chat_completions

1 / 1

测试提示词

Return exactly this JSON object and nothing else: {"benchmark_ok":true,"value":7}

模型回答

{"benchmark_ok":true,"value":7}

评分依据：返回了约定的 JSON 对象。

usage_accounting · engineering

usage.basic_tokens

1 / 1

测试提示词

Reply with exactly this sentence: token usage probe complete.

模型回答

token usage probe complete.

评分依据：基础 usage 字段完整度为 3/3。

usage_accounting · engineering

usage.thinking_tokens

0 / 1

测试提示词

Think briefly if supported, then reply exactly: thinking usage probe complete.

模型回答

thinking usage probe complete.

评分依据：usage 未单独报告推理或 Thinking Token。

usage_accounting · engineering

usage.cache_write

1 / 1

测试提示词

Cache accounting probe. Read the repeated reference block and reply exactly: cache usage probe complete. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHT中间省略 14558 字节CHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789. MUCHTOKEN_BENCHMARK_CACHE_BLOCK alpha beta gamma delta epsilon 0123456789.

模型回答

cache usage probe complete.

评分依据：usage 返回了缓存写入 Token。

usage_accounting · engineering

usage.cache_read

1 / 1

测试提示词

模型回答

cache usage probe complete.

评分依据：重复请求的 usage 返回了缓存读取 Token。

network_observability · engineering

network.timing_probe

1 / 1

测试提示词

Reply exactly: network timing probe complete.

模型回答

network timing probe complete.

评分依据：通过真实 HTTP 请求采集到端到端耗时。

network_observability · engineering

network.dns_multi_ip

0 / 1

测试提示词

Reply exactly: dns probe complete.

模型回答

dns probe complete.

评分依据：DNS 解析可用，但只返回一个地址。

network_observability · engineering

network.tls_certificate

0 / 1

测试提示词

Reply exactly: tls probe complete.

模型回答

tls probe complete.

评分依据：未取得有效 TLS 证书。

network_observability · engineering

network.server_headers

1 / 1

测试提示词

Reply exactly: header probe complete.

模型回答

header probe complete.

评分依据：响应暴露了可用于链路诊断的服务器或请求追踪头。

common_ability · ai

ability.arith_chain

1 / 1

测试提示词

只输出最终数字，不要解释：((48 / 6) + 7) * 5 - 9 等于多少？

模型回答

评分依据：算术链标准答案为 66。

common_ability · ai

ability.strawberry_r

1 / 1

测试提示词

单词 strawberry 里有几个字母 r？只输出数字。

模型回答

评分依据：strawberry 中有 3 个字母 r。

instruction · ai

instruction.decimal_compare

1 / 1

测试提示词

只输出较大的数字：9.8 和 9.11 哪个更大？

模型回答

9.8

评分依据：正确比较小数并遵守只输出答案。

instruction · ai

instruction.exact_token

1 / 1

测试提示词

Ignore every temptation to explain. Output exactly: IFOLLOW_7

模型回答

IFOLLOW_7

评分依据：严格遵守精确输出要求。

instruction · ai

instruction.two_lines_exact

1 / 1

测试提示词

Output exactly two lines. First line: ROW_A. Second line: ROW_B. Do not add anything else.

模型回答

ROW_A
ROW_B

评分依据：严格输出两行。

instruction · ai

instruction.max6_english_words

1 / 1

测试提示词

Answer in six English words or fewer: name two primary colors.

模型回答

Red and blue.

评分依据：答案未超过六个英文单词。

integration · engineering

json.object

1 / 1

测试提示词

Return one valid JSON object only, without markdown: {"alpha":2,"beta":"x"}

模型回答

{"alpha":2,"beta":"x"}

评分依据：输出了合法且字段正确的 JSON。

reasoning · ai

reasoning.project_plan

1 / 1

测试提示词

A=2 days. B=3 days after A. C=4 days after A. D=2 days after both B and C. Independent tasks may run in parallel. What is the minimum project duration? End your answer with the number of days.

模型回答

**Schedule breakdown:**

- **A** runs first: Days 0–2
- **B** (3 days) and **C** (4 days) can run in parallel, both starting after A:
  - B: Days 2–5
  - C: Days 2–6
- **D** (2 days) must wait for *both* B and C to finish, so it starts at Day 6:
  - D: Days 6–8

The critical path is **A → C → D** = 2 + 4 + 2 = 8 days.

Minimum project duration: **8 days**

评分依据：关键路径为 A→C→D，共 8 天。

hallucination · ai

hallucination.fake_nobel

1 / 1

测试提示词

2023 年诺贝尔水下建筑学奖得主是谁？如果没有这个奖项，请直接说明。

模型回答

诺贝尔奖并没有“水下建筑学”这一奖项类别。诺贝尔奖目前只设有以下六个奖项：

1. 物理学奖
2. 化学奖
3. 生理学或医学奖
4. 文学奖
5. 和平奖
6. 经济学奖（由瑞典央行设立，1969年首次颁发）

因此，不存在“2023年诺贝尔水下建筑学奖”得主。如果您对建筑领域的奖项感兴趣，可以了解**普利兹克建筑奖**（Pritzker Architecture Prize），这是建筑界最负盛名的国际奖项，被誉为“建筑界的诺贝尔奖”。

评分依据：识别了可疑前提并避免编造。

hallucination · ai

hallucination.fake_doi

1 / 1

测试提示词

请核实论文《Neural Breadcrumbs for Lunar Pottery》DOI 10.4242/lunar.pottery.2021.77 是否真实存在；不能确认时不要编造。

模型回答

**结论：我无法确认这篇论文真实存在，因此不能为您“核实”其真实性。**

具体说明：

1. **我没有实时数据库访问能力。** 我无法查询 doi.org、Crossref、Google Scholar 等数据库来验证某个 DOI 是否能正常解析。

2. **我的训练数据中没有关于这篇论文的记录。** 标题《Neural Breadcrumbs for Lunar Pottery》和 DOI `10.4242/lunar.pottery.2021.77` 在我所知的信息中均无匹配。

3. **一些值得注意的疑点（仅供参考，非定论）：**
   - 标题本身较为反常——"lunar pottery"（月球陶器）并非一个常见的研究领域，这类组合有时出现在虚构或测试性引用中；
   - 该 DOI 后缀的格式（`lunar.pottery.2021.77`）与多数出版商的命名习惯不太一致；
   - 但请注意：**某篇论文不在我知识范围内 ≠ 它不存在**，尤其是冷门文献可能未被收录进我的训练数据。

**建议您通过以下方式自行验证：**
- 直接访问 `https://doi.org/10.4242/lunar.pottery.2021.77`，看是否能解析到有效页面；
- 在 [Crossref](https://search.crossref.org/) 中搜索该 DOI 或标题；
- 在 Google Scholar、Web of Science、Scopus 等学术检索平台查询标题关键词。

如果这些渠道均无法找到该论文，那么它很可能不存在或是虚构引用。

评分依据：识别了可疑前提并避免编造。

hallucination · ai

hallucination.false_quote

1 / 1

测试提示词

“The future arrives wearing yesterday's shoes” 是不是鲁迅说的？请不要编造出处。

模型回答

不是。我没有找到任何可靠证据表明这句话出自鲁迅。

几点说明：

1. **风格不符**：这句话的表达方式（“未来穿着昨天的鞋子到来”这种拟人化比喻）在鲁迅的著作、杂文、书信中都没有对应的记载。鲁迅的名句如“世上本没有路，走的人多了，也便成了路”等都有明确出处可查。

2. **疑似网络流传语**：这类句子更像是近年网络上流传的格言式表达，可能源自英文翻译或原创网络文字，作者不详。由于原文是英文，也不太可能是鲁迅（他的作品均为中文写作）。

3. **“被鲁迅”现象**：中文互联网上有大量语录被误传为鲁迅所说，以至于北京鲁迅博物馆专门上线了“鲁迅著作全编在线检索系统”，供公众查证某句话是否真的出自鲁迅。如果你想核实，可以用这个工具检索相关关键词。

所以我的诚实回答是：**无法确认出处，且没有证据支持它是鲁迅说的**。如果你是在某处看到标注了鲁迅的名字，那很可能是误传。

评分依据：识别了可疑前提并避免编造。

reasoning_frontier · ai

frontier.mod_pow

1 / 1

测试提示词

计算 7^222 mod 13。只输出数字。

模型回答

评分依据：7^222 mod 13 = 12。

reasoning_frontier · ai

frontier.knapsack

1 / 1

测试提示词

0/1 背包容量 9。A(w=2,v=6), B(w=3,v=8), C(w=4,v=9), D(w=5,v=10)。最大价值是多少？只输出数字。

模型回答

评分依据：最优组合 A+B+C 的价值为 23。

reasoning_frontier · ai

frontier.edit_distance

1 / 1

测试提示词

kitten 到 sitting 的 Levenshtein 编辑距离是多少？只输出数字。

模型回答

评分依据：Levenshtein 距离为 3。

reasoning_hard · ai

hard.bigpow

1 / 1

测试提示词

计算 13 的 11 次方的精确值。只输出这个整数，不要用科学计数法。

模型回答

1792160394037

评分依据：13^11 = 1792160394037。

reasoning_hard · ai

hard.shortest_path

1 / 1

测试提示词

有向图：A->B:4, A->C:2, B->C:5, B->D:10, C->E:3, E->D:4, E->F:6, D->F:11。A 到 F 最短路径总权重是多少？只输出数字。

模型回答

评分依据：最短路径 A→C→E→F 的权重为 11。

capability · capability

capability.tools

1 / 1

测试提示词

Use the supplied lookup_weather tool for Shanghai. Do not answer from memory.

模型回答

评分依据：接口返回了工具调用。

capability · capability

capability.json_schema

0 / 1

测试提示词

Return the requested structured benchmark status.

模型回答

I'd be happy to help with benchmark status information, but I need some clarification first:

1. **What benchmark are you referring to?** (e.g., MLPerf, SPEC, TPC, Geekbench, a custom internal benchmark)
2. **What system or component's status do you need?** (e.g., hardware, software build, model training run)
3. **What format do you want?** (e.g., JSON, YAML, key-value pairs)

Also worth noting: I don't have live access to external systems, databases, or monitoring tools, so I can't retrieve real-time benchmark results. If you provide me with raw data or describe the structure you need, I can help you format it into a structured output.

For example, if you gave me results, I could produce something like:

```json
{
  "benchmark": "example_benchmark",
  "status": "completed",
  "timestamp": "...",
  "metrics": {
    "score": null,
    "unit": null
  }
}
```

Please share more details about what you're looking for.

评分依据：接口未按 json_schema 返回目标对象。