评测报告索引

状态：索引，随报告增加维护。每份报告都是一次性记录，结论只覆盖它自己的设置，不是 Skill 的验收标准，也不改变信息契约。评测脚本与命令见工作环境说明，评测方法的取舍与未决问题见决策记录。

报告	一句话	设置	费用
第一次真实模型运行	Opus 读 SKILL.md 第一版，在手写情境上逐帧 teacher-forced 判断，与作者编排对比：操作可靠、处置大体一致，弱点在结构与身份判断。	手写情境 36 帧、112 条输入；claude-opus-5-5；一次运行	约 5.6 美元（本机记录 5.63）
换用 Codex Harness 的对照	同一份提示交给 Codex 下的 gpt-6.1-sol（SKILL.md 两版）与 claude-haiku-5-5：处置几乎不变，差别在档位、kind、结构习惯与提交失败的形态。	同上，四次全量运行另加 12 帧对照重跑	Haiku 0.29 美元；Codex 走登录账号的订阅额度
混合语料上的第一次自由运行	Opus 读 SKILL.md 第二版，在化名人物 Jonas 的两周真实输入上从空状态维护自己的状态，与弱标注对照：两周不失控，但注意力偏向工作，生活里要他决定的事常被压低。	混合语料 28 帧、2829 条；claude-opus-5-5；一次运行	24.5 美元
混合语料上的第二次自由运行（含家庭流）	同一份 SKILL.md 与模型，语料加入作者编写的家庭流，前四条流与弱标注对照、家庭流与作者标注对照：家里六条线的结构与问题的了结几乎逐帧跟上，但份额普遍高一档，工作与生活问答被挤到根层边上。	混合语料 28 帧、3217 条（含家庭流 388 条）；claude-opus-5-5；一次运行；用户背景换成语料自带的版本	23.23 美元
混合语料上的第三次自由运行（含家庭流，换回第一次的背景）	语料同第二次、用户背景同第一次，用来归因：工作与生活份额的减少八成多随家庭流本身出现，背景的影响集中在母亲住处的一个档位；与第二次相比结构几乎相同，档位与暂缓的记账随运行变化。	混合语料 28 帧、3217 条（含家庭流 388 条）；claude-opus-5-5；一次运行；用户背景逐字同第一次	22.87 美元

五份报告的共同局限：每个条件只跑一次，没有同条件的重复运行；“与作者一致”与“与弱标注一致”都不等于“用户回来知道下一步”。三次自由运行里，第一次与第三次只差语料，第二次与第三次只差用户背景，可以大致归因；第二、第三次之间的差别同时含背景与随机性，只能当作结果范围的一个下界，不是方差的估计。还没有做的对照列在 Skill 设计与各报告末尾。

原始提示、响应、回执与逐帧对比保存在本机 .local/eval/<run-id>/，不提交版本库；上表的本机费用取自其中的 summary.json。