案例 / 证据

三次运行。
两个结论。
一个参考。

同一个模型,同样的单文件约束,不同的 harness。这些不是受控模型评测,而是受控 harness 对照。问题始终是:harness 改变了什么,又抓到了什么?

DeepSeek V4.1 Flash6 次运行 · 2 个品类证据来自会话日志,不是 README 自述

01证据表

每一次运行,
包括弱的那次。

不写失败的案例就是营销。Ironsight 也在这里,虽然它没有公开:正是它催生了 product 门。

运行品类Harness体积验收门结论
Sundown Circuit城市卡丁车无890 KB—核心强,外壳薄
Sunset District城市卡丁车skill + 验收门1.58 MB8/8用
Neon Breach枪战无304 KB—内容强,风格化
Ironsight枪战skill v11.50 MB6/6不够
Black Ice枪战skill v2318 KB8/8用,但有预算
Saltline枪战—1.42 MB—参考

验收门是该次运行声明的验收命令。不是受控模型评测

02怎么读一次运行

受控运行
不能证明什么。

A/B 里模型不变,变的是 harness。它隔离的是 harness,不是模型。它不能证明 skill 比人更好,也不能证明 318 KB 优于 1.4 MB。

它证明

验收门能改变构建。

product 门把第二版射击游戏从“一种敌人的画面”推到“四种角色、一个 Boss、设置和存档”的游戏。验收命令变了,运行结果才变。

harness 效应

它不证明

模型有品味。

skill 把判断委托给检查,但美术方向、题材和最终否决仍然需要人眼。全绿是地板,不是天花板。

人眼否决

它需要

自己的参考,或者明确不用。

用别的题材生成的 profile 量的是风格相似度,不是完成度。没有项目 profile 时,look 门会明确退化为色调与空置检查。

校准

做一个

带上你自己的题材。

集装箱堆场、车间、楼梯间、市集。语法是恒定的,机制不是。做完之后,提交一份把失败留在里面的案例。