DracoBench Report: xiaomi/mimo-v2.5-pro

只输出 Python 代码，不要解释。实现 solve(lines: list[str]) -> dict。lines 是简化 INI：空行和以 # 开头的行忽略；[section] 开始新 section；key=value 写入当前 section；key/value 两侧空白要去掉；同一 section 内重复 key 后者覆盖前者。返回嵌套 dict。

Reference tests:
lines = ['# comment', '[db]', ' host = localhost ', 'port=5432', '', '[feature]', 'enabled=true', 'enabled = false']
assert solution.solve(lines) == {'db': {'host': 'localhost', 'port': '5432'}, 'feature': {'enabled': 'false'}}
assert solution.solve(['[x]', 'a=1', 'a=2', '[y]', 'b = hi']) == {'x': {'a': '2'}, 'y': {'b': 'hi'}}

```python
def solve(lines: list[str]) -> dict:
    result = {}
    current_section = None
    for line in lines:
        line = line.strip()
        if not line or line.startswith('#'):
            continue
        if line.startswith('[') and line.endswith(']'):
            section_name = line[1:-1].strip()
            current_section = section_name
            if current_section not in result:
                result[current_section] = {}
        else:
            if current_section is None:
                current_section = ''
                if current_section not in result:
                    result[current_section] = {}
            if '=' in line:
                key, value = line.split('=', 1)
                key = key.strip()
                value = value.strip()
                result[current_section][key] = value
    return result
```

只输出 Python 代码，不要解释。实现 solve(events: list[str]) -> int。事件格式："<id> credit <amount>" 增加余额，"<id> debit <amount>" 减少余额，"rev <id>" 撤销此前尚未撤销过的同 id 事件。重复交易 id 只保留第一次，未知撤销忽略。返回最终余额。

Reference tests:
events = ['a credit 100', 'b debit 40', 'a credit 999', 'rev b', 'c debit 10']
assert solution.solve(events) == 90
events = ['x debit 5', 'rev y', 'rev x', 'rev x', 'z credit 7']
assert solution.solve(events) == 7

```python
def solve(events: list[str]) -> int:
    balance = 0
    event_status = {}  # 键: id, 值: [type, amount, revoked]
    
    for event in events:
        if event.startswith("rev"):
            # 撤销事件
            parts = event.split()
            if len(parts) != 2:
                continue
            id = parts[1]
            if id in event_status and not event_status[id][2]:
                type, amount, _ = event_status[id]
                if type == "credit":
                    balance -= amount
                else:  # debit
                    balance += amount
                event_status[id][2] = True
        else:
            # credit 或 debit 事件
            parts = event.split()
            if len(parts) != 3:
                continue
            id, type, amount_str = parts
            amount = int(amount_str)
            if id not in event_status:
                if type == "credit":
                    balance += amount
                else:  # debit
                    balance -= amount
                event_status[id] = [type, amount, False]
            # 重复id只保留第一次，忽略后续
    
    return balance
```

只输出 Python 代码，不要解释。实现 solve(deps: dict[str, list[str]]) -> list[list[str]]。deps 表示 task -> prerequisites。返回可并行执行的拓扑层，每层任务按字典序排序；如果存在环，返回空列表。所有只出现在 prerequisites 中的任务也要包含。

Reference tests:
deps = {'build': ['lint', 'test'], 'test': ['install'], 'lint': ['install']}
assert solution.solve(deps) == [['install'], ['lint', 'test'], ['build']]
assert solution.solve({'a': ['b'], 'b': ['a']}) == []
assert solution.solve({'deploy': ['build'], 'build': []}) == [['build'], ['deploy']]

```python
def solve(deps: dict[str, list[str]]) -> list[list[str]]:
    from collections import defaultdict

    # Collect all tasks
    tasks = set(deps.keys())
    for prereqs in deps.values():
        for p in prereqs:
            tasks.add(p)

    # Build graph: edge from prereq -> task
    in_degree = {t: 0 for t in tasks}
    graph = defaultdict(list)  # prereq -> list of tasks that depend on it
    for task, prereqs in deps.items():
        for p in prereqs:
            graph[p].append(task)
            in_degree[task] += 1

    # Kahn's algorithm with layering
    current_layer = sorted([t for t in tasks if in_degree[t] == 0])
    layers = []
    processed = 0

    while current_layer:
        layers.append(current_layer)
        processed += len(current_layer)
        next_layer_set = set()
        for node in current_layer:
            for neighbor in graph[node]:
                in_degree[neighbor] -= 1
                if in_degree[neighbor] == 0:
                    next_layer_set.add(neighbor)
        current_layer = sorted(next_layer_set)

    if processed != len(tasks):
        return []
    return layers
```

只输出 Python 代码，不要解释。实现 solve(capacity: int, ops: list[str]) -> list[int]，模拟 LRU cache。ops 包含 "put key value" 和 "get key"。get 返回 value，不存在返回 -1。put 已存在 key 要更新并变成最近使用。容量为 0 时所有 get 都返回 -1。

Reference tests:
ops = ['put a 1', 'put b 2', 'get a', 'put c 3', 'get b', 'get a', 'get c']
assert solution.solve(2, ops) == [1, -1, 1, 3]
assert solution.solve(0, ['put a 1', 'get a']) == [-1]
assert solution.solve(1, ['put a 1', 'put a 2', 'get a']) == [2]

```python
from collections import OrderedDict

def solve(capacity: int, ops: list[str]) -> list[int]:
    if capacity == 0:
        return [-1 if op.startswith("get") else 0 for op in ops]
    
    cache = OrderedDict()
    res = []
    
    for op in ops:
        if op.startswith("get"):
            key = int(op.split()[1])
            if key in cache:
                cache.move_to_end(key)
                res.append(cache[key])
            else:
                res.append(-1)
        else:
            _, key, value = op.split()
            key, value = int(key), int(value)
            if key in cache:
                cache.move_to_end(key)
            elif len(cache) == capacity:
                cache.popitem(last=False)
            cache[key] = value
            res.append(0)
    
    return res
```

只输出 Python 代码，不要解释。实现 solve(base: dict, patch: dict) -> dict，执行 JSON Merge Patch：patch 中值为 None 表示删除该 key；两个值都是 dict 时递归合并；其他值覆盖。不能修改输入对象。

Reference tests:
base = {'a': 1, 'b': {'x': 1, 'y': 2}, 'c': 3}
patch = {'b': {'y': None, 'z': 4}, 'c': None}
assert solution.solve(base, patch) == {'a': 1, 'b': {'x': 1, 'z': 4}}
assert base == {'a': 1, 'b': {'x': 1, 'y': 2}, 'c': 3}
assert solution.solve({'a': {'b': 1}}, {'a': 5}) == {'a': 5}

```python
def solve(base: dict, patch: dict) -> dict:
    result = dict(base)
    for key, value in patch.items():
        if value is None:
            result.pop(key, None)
        elif isinstance(value, dict) and isinstance(result.get(key), dict):
            result[key] = solve(result[key], value)
        else:
            result[key] = value
    return result
```

只输出 Python 代码，不要解释。实现 solve(text: str) -> int，把时长字符串转换成毫秒。支持整数单位 d、h、m、s、ms，可有空格，单位可重复，顺序任意。例如 "1h 30m 500ms"。

Reference tests:
assert solution.solve('1h 30m 500ms') == 5400500
assert solution.solve('2d 1h 2s') == 176402000
assert solution.solve('100ms 2s 3ms') == 2103

```python
import re

def solve(text: str) -> int:
    unit_ms = {'d': 86400000, 'h': 3600000, 'm': 60000, 's': 1000, 'ms': 1}
    total = 0
    for val, unit in re.findall(r'(\d+)\s*(ms|d|h|m|s)', text):
        total += int(val) * unit_ms[unit]
    return total
```

只输出 Python 代码，不要解释。实现 solve(s: str) -> bool，检查括号 ()[]{} 是否配对。单引号或双引号内部的括号忽略；反斜杠会转义引号。输入字符串可以包含普通字符。

Reference tests:
assert solution.solve('{a:[(1)]}') is True
assert solution.solve("{'x': '(]'}") is True
assert solution.solve("['unterminated]") is False
assert solution.solve('([)]') is False
assert solution.solve("\"paren \\\" ) still quoted\"") is True

```python
def solve(s: str) -> bool:
    stack = []
    in_quote = None
    i = 0
    n = len(s)
    while i < n:
        c = s[i]
        if c == '\\':
            i += 1
            if i < n:
                i += 1
            continue
        if in_quote is None:
            if c in '({[':
                stack.append(c)
            elif c in ')}]':
                if not stack:
                    return False
                top = stack.pop()
                if not ((top == '(' and c == ')') or (top == '[' and c == ']') or (top == '{' and c == '}')):
                    return False
            elif c in '"\'':
                in_quote = c
        else:
            if c == in_quote:
                in_quote = None
        i += 1
    return len(stack) == 0
```

只输出 Python 代码，不要解释。实现 solve(rows: list[dict]) -> list[dict]。每行有 user、ts、value。对每个 user 保留 ts 最大的一行；若 ts 相同，保留在输入中更靠后的行。输出按 user 字典序排序。

Reference tests:
rows = [{'user':'b','ts':1,'value':'old'}, {'user':'a','ts':2,'value':'x'}, {'user':'b','ts':3,'value':'new'}]
assert solution.solve(rows) == [{'user':'a','ts':2,'value':'x'}, {'user':'b','ts':3,'value':'new'}]
rows = [{'user':'a','ts':1,'value':'first'}, {'user':'a','ts':1,'value':'second'}]
assert solution.solve(rows) == [{'user':'a','ts':1,'value':'second'}]

```python
def solve(rows: list[dict]) -> list[dict]:
    best = {}
    for row in rows:
        user = row['user']
        ts = row['ts']
        if user not in best or ts >= best[user]['ts']:
            best[user] = row
    result = sorted(best.values(), key=lambda x: x['user'])
    return result
```

下面代码在 total 之后再次读取数据会变成空列表。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的第一行函数定义>。

```python
def summarize(items=iter([1, 2, 3])):
    return sum(items)
```

Expected regex pattern:
FIX:\s*`?\s*def\s+summarize\(items=None\)\s*:

## 根因

`items=iter([1, 2, 3])` 中的默认值只在 **函数定义时** 求值一次。所有未传参的调用共享同一个迭代器对象，第一次调用时迭代器已被耗尽，后续调用拿到的是同一个已耗尽的迭代器，`sum()` 对空迭代器返回 0（即"空列表"效果）。

## 最小修复

```python
def summarize(items=None):
    return sum(iter([1, 2, 3]) if items is None else items)
```

FIX: `def summarize(items=None):`

下面代码期望统计每个用户的事件数，但所有用户计数会互相影响。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的 defaultdict 初始化行>。

```python
from collections import defaultdict
shared = {'seen': []}
counts = defaultdict(lambda: shared)

def add(user, event):
    counts[user]['seen'].append(event)
    return counts[user]
```

Expected regex pattern:
FIX:\s*`?\s*counts\s*=\s*defaultdict\(lambda\s*:\s*\{'seen'\s*:\s*\[\]\}\)\s*`?

根因：`defaultdict(lambda: shared)` 中的 `shared` 是一个可变字典，作为 default_factory 时，所有键访问都会返回同一个对象，导致不同用户的数据相互覆盖。

修复：将 default_factory 改为每次调用时创建新的字典，确保每个用户拥有独立的数据结构。

FIX: `counts = defaultdict(lambda: {'seen': []})`

下面分页代码会漏掉最后不足 page_size 的一页。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 range 行>。

```python
def pages(items, page_size):
    out = []
    for start in range(0, len(items) - page_size, page_size):
        out.append(items[start:start + page_size])
    return out
```

Expected regex pattern:
FIX:\s*`?\s*for\s+start\s+in\s+range\(0,\s*len\(items\),\s*page_size\)\s*:

## Bug 分析

`range(0, len(items) - page_size, page_size)` 的上界多减了一个 `page_size`，导致最后一页（即使是满页）以及不足一页的尾页都被跳过。

## 修复

只需将上界改为 `len(items)`。当 `start` 处于最后不足 `page_size` 的位置时，`items[start:start+page_size]` 会自动截取剩余元素，无需额外处理。

FIX: `for start in range(0, len(items), page_size):`

下面代码期望把数字字符串按数值排序，但结果是字典序。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def order(ids):
    return sorted(ids)
```

Expected regex pattern:
FIX:\s*`?\s*return\s+sorted\(ids,\s*key\s*=\s*int\)\s*`?

## Bug 分析

`sorted(ids)` 默认按字符串的**字典序**（逐字符比较 Unicode 码点）排序，而非按字符串所表示的**数值大小**排序。

例如 `"10" < "2"` 为 `True`（字典序），但数值上 `10 > 2`。

## 最小修复

给 `sorted` 传入 `key=int`，使其按数值比较：

```python
def order(ids):
    return sorted(ids, key=int)
```

FIX: `return sorted(ids, key=int)`

下面缓存装饰器会把不同参数的调用混在一起。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 key 赋值行>。

```python
cache = {}
def memo(fn):
    def wrapper(*args, **kwargs):
        key = fn.__name__
        if key not in cache:
            cache[key] = fn(*args, **kwargs)
        return cache[key]
    return wrapper
```

Expected regex pattern:
FIX:\s*`?\s*key\s*=\s*\(fn\.__name__,\s*args,\s*(?:tuple\(sorted\(kwargs\.items\(\)\)\)|frozenset\(kwargs\.items\(\)\))\)\s*`?

**Bug:** `key = fn.__name__` 只用函数名作缓存键，不含参数，导致首次调用后所有不同参数的调用都返回同一缓存结果。

FIX: `key = (fn.__name__, args, tuple(sorted(kwargs.items())))`

下面代码期望浅拷贝列表后独立追加，但原列表也被修改。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 copy 行>。

```python
def append_copy(items, value):
    copied = items
    copied.append(value)
    return copied
```

Expected regex pattern:
FIX:\s*`?\s*copied\s*=\s*(?:items\.copy\(\)|items\[:\]|list\(items\))\s*`?

## Bug 分析

`copied = items` 并未创建副本，只是让 `copied` 指向**同一个列表对象**。因此对 `copied` 追加元素等同于修改原列表。

FIX: `copied = items.copy()`

下面代码期望解析 JSON 字符串，但传入已经是 dict 时会报错。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 data 赋值行>。

```python
import json

def load(payload):
    data = json.loads(payload)
    return data['id']
```

Expected regex pattern:
FIX:\s*`?\s*data\s*=\s*(payload\s+if\s+isinstance\(payload,\s*dict\)\s+else\s+json\.loads\(payload\)|json\.loads\(payload\)\s+if\s+isinstance\(payload,\s*\(str,\s*bytes,\s*bytearray\)\)\s+else\s+payload|json\.loads\(payload\)\s+if\s+isinstance\(payload,\s*str\)\s+else\s+payload)\s*`?

## Bug 分析

`json.loads()` 要求传入 `str`/`bytes`/`bytearray`。当 `payload` 已经是 `dict` 时，`json.loads()` 会抛出 `TypeError`。

## 最小修复

只需在调用 `json.loads` 前判断是否已经是 dict：

FIX: `data = payload if isinstance(payload, dict) else json.loads(payload)`

下面代码期望 finally 后仍保留 try 中返回值，但实际总是返回 None。请指出 bug，并给出最小修复。最后单独一行写 FIX: <要删除或替换的 finally 行说明>。

```python
def read_value():
    try:
        return 42
    finally:
        return None
```

Accepted answers:
- 删除 finally 中的 return None
- 去掉 finally 的 return None
- 不要在 finally 里 return None
- remove return None
- 去掉 finally 中的 return None
- 删除或替换 finally 中的 return None
- 去掉 finally 中的 `return None`
- 删除或替换 finally 中的 `return None`
- 删除 finally 块中的 `return None`
- 删除 finally 块中的 return None
- 删除 finally 中的 `return None`
- 删除 `finally` 块中的 `return None`
- 删除 `finally` 中的 `return None`
- 删除 `finally: return None`
- 将 `finally:` 中的 `return None` 删除
- finally 中的 return None 删除
- finally: 中的 return None 删除
- 删除 finally 块中的 'return None'
- 删除 finally 子句中的 `return None`
- 删除 finally 子句中的 return None
- delete the line `return None` inside the finally block
- delete the line return None inside the finally block
- finally 块不应包含 return 语句
- finally 块不应包含 return
- finally 不应包含 return

## Bug 分析

在 Python 中，`finally` 块中的 `return` 会**覆盖** `try`（或 `except`）块中的 `return`。这里 `finally` 里的 `return None` 把 `try` 中的 `return 42` 给覆盖掉了。

## 修复

只需删除 `finally` 中的 `return None`：

```python
def read_value():
    try:
        return 42
    finally:
        pass
```

FIX: 删除 finally 块中的 `return None`，改为 `pass`（或直接去掉整个 `finally` 块）

只回答最终数字：有 A、B、C、D 四个服务。A 每分钟处理 6 个请求，B 比 A 少 2 个，C 是 B 的 2 倍，D 是 A 和 C 的平均值。四个服务 5 分钟一共处理多少请求？

Answer: 125

125

只回答一个字母：五个任务 A、B、C、D、E 排队。A 必须在 B 前，B 必须在 C 前；D 不能在两端；E 必须紧挨在 C 后面。在所有满足条件的队列中，按字典序最小的队列第三个任务是谁？

Answer: D

# 求解过程

## 约束条件
1. A < B < C（位置顺序）
2. C 后面紧跟 E（CE 是连续块）
3. D 不能在第1位或第5位

## 排列 CE 块的位置

综合约束 A < B < C < E，链式顺序为 **A → B → CE**

| CE 位置 | 可行性 |
|---------|--------|
| (1,2) | ❌ B 必须在 C 前，无位置 |
| (2,3) | ❌ B 在位置1，A 无位置 |
| (3,4) | ❌ D 必须在位置5（端点），违规 |
| **(4,5)** | ✅ 见下方分析 |

## CE 在 (4,5) 时枚举

剩余位置 1、2、3 分配给 A、B、D（要求 A < B，D 不在端点）：

- A=1, B=2, D=3 → **A, B, D, C, E** ✅
- A=1, B=3, D=2 → **A, D, B, C, E** ✅
- A=2, B=3, D=1 → D 在位置1 ❌

## 字典序比较

$$A, \underline{B}, D, C, E \quad < \quad A, \underline{D}, B, C, E$$

字典序最小的队列为 **A, B, D, C, E**，第三个任务是：

**D**

只回答最终数字：一个 4 位二进制数从 1011 开始，先左移一位并只保留低 4 位，再与 0110 做异或，最后转成十进制。结果是多少？

Answer: 0

0

只回答最终数字：一个集合最初为 {1,2,3,4,5}。依次执行：删除所有偶数；加入 6 和 7；把每个元素乘以 2；删除大于 10 的元素。最终集合元素之和是多少？

Answer: 18

18

只回答“可满足”或“不可满足”：有三个布尔变量 x、y、z。约束为：x 或 y 为真；如果 x 为真则 z 为假；如果 y 为真则 z 为真；x 和 y 不能同时为真。是否存在赋值满足全部约束？

Answer: 可满足

**可满足**

存在满足全部约束的赋值，例如：

- **x = 真，y = 假，z = 假**（满足约束1：x为真✓；约束2：x为真则z为假✓；约束3：y为假，前提不成立✓；约束4：不同时为真✓）

另一组可行解：x = 假，y = 真，z = 真。

只根据资料回答。

资料 A：DracoBench v0.2 的目标是提高区分度，优先增加 coding、debugging、RAG 和 instruction_following 题。
资料 B：DracoBench v0.2 不会默认使用 LLM-as-judge；开放中文写作题只做少量规则校验和人工抽检。
资料 C：v0.2 的 HTML 报告必须展示通过率、成本、reasoning tokens、失败样例和逐题明细。

问题：v0.2 为什么没有把 LLM-as-judge 作为默认判分？

Required phrases: 人工抽检
At least one from each group: 默认使用 / 默认判分 / 默认采用 / 作为默认判分
Forbidden phrases: 因为成本太高、因为不支持中文
Length guidance (diagnostic only): min=n/a, max=160

根据资料 B，DracoBench v0.2 不会默认使用 LLM-as-judge，因为对于开放中文写作题，它只做少量规则校验和人工抽检。这表明 v0.2 依赖规则和人工验证来确保评分准确性，而非自动使用 LLM 作为评判者。

只根据资料回答，不要自行补充。

资料：模型 Alpha 在 30 道 challenge 题中通过 24 道，成本 0.08 美元，平均延迟 9 秒。模型 Beta 通过 22 道，成本 0.02 美元，平均延迟 3 秒。资料没有给出两者在多模态任务上的表现。

问题：如果要写低成本高吞吐摘要服务，资料更支持选择哪个模型？另外，多模态表现能否判断？

Required phrases: Beta、成本、延迟、判断
Forbidden phrases: Alpha 更适合、多模态更强
Length guidance (diagnostic only): min=n/a, max=180

根据资料，模型 Beta 的成本（0.02 美元）低于模型 Alpha（0.08 美元），且平均延迟（3 秒）也低于 Alpha（9 秒）。对于低成本高吞吐摘要服务，资料更支持选择模型 Beta。

多模态表现无法判断，因为资料未提供两者在多模态任务上的表现。

只根据资料回答。

资料：一次评测中，K 模型在 smoke set 上 7/7，通过率 100%；在 hard set 上原始结果 47/50，其中 2 题后来被认定为题面歧义，单独复测通过。另有 1 题因 reasoning tokens 用尽而空输出。

问题：更公平的文字结论应该如何描述 K 模型这次 hard set 表现？

Required phrases: 题面歧义
At least one from each group: 47/50 / 47 题 / 47题；空输出 / 输出为空 / 未输出
Forbidden phrases: 满分、完全失败
Length guidance (diagnostic only): min=n/a, max=240

K模型在hard set评测中原始通过47/50，但其中2题因题面歧义复测后通过，1题因reasoning tokens用尽而空输出，表明模型在理想条件下的实际通过率应为49/50或更高。

只根据资料回答，不要使用资料外知识。

资料：报告字段包括 pass_rate、avg_latency_ms、total_cost、prompt_tokens、completion_tokens、reasoning_tokens。报告不包含模型训练数据来源，也不包含供应商真实利润率。

问题：根据资料，能否从报告判断供应商利润率？

Required phrases: 不能、不包含、利润率
Forbidden phrases: 可以判断、训练数据
Length guidance (diagnostic only): min=n/a, max=100

不能。资料明确说明报告不包含供应商真实利润率，且报告字段中没有收入信息，因此无法判断利润率。

只输出 JSON 对象，不要 Markdown。字段 status 必须是 "review"；字段 scores 必须是对象，包含 coding、debugging、rag 三个整数；字段 note 必须是不超过 12 个汉字的中文字符串。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "status",
    "scores",
    "note"
  ],
  "additionalProperties": false,
  "properties": {
    "status": {
      "type": "string",
      "const": "review"
    },
    "scores": {
      "type": "object",
      "required": [
        "coding",
        "debugging",
        "rag"
      ],
      "additionalProperties": false,
      "properties": {
        "coding": {
          "type": "integer"
        },
        "debugging": {
          "type": "integer"
        },
        "rag": {
          "type": "integer"
        }
      }
    },
    "note": {
      "type": "string"
    }
  }
}

{
  "status": "review",
  "scores": {
    "coding": 80,
    "debugging": 75,
    "rag": 85
  },
  "note": "正在审查"
}

只输出 4 行，不要解释。第 1 行是 BEGIN，第 4 行是 END。第 2 行必须包含“模型评测”，第 3 行必须包含“HTML报告”。不能出现任何项目符号。

Expected regex pattern:
^\s*BEGIN\s*\n[^\n]*模型评测[^\n]*\n[^\n]*HTML报告[^\n]*\nEND\s*$

BEGIN
开始模型评测
生成HTML报告
END

只输出一个中文句子，不能超过 28 个汉字。必须同时包含“难题”和“区分度”，不能包含“最强”“吊打”“遥遥领先”。

Required phrases: 难题、区分度
Forbidden phrases: 最强、吊打、遥遥领先
Length guidance (diagnostic only): min=n/a, max=28

这道难题的区分度很高，能有效筛选出优秀学生。

写一段不超过 120 个汉字的公众号结论，主题是“模型在简单题满分不代表真实强”。必须包含“简单题”“真实能力”“失败样例”，不能出现“吊打”。

Required phrases: 简单题、真实能力、失败样例
Forbidden phrases: 吊打
Length guidance (diagnostic only): min=n/a, max=120

**结论：**

在简单题上拿满分，往往只是"基本功达标"的门槛，并不能代表模型的真实能力。真正拉开差距的，是复杂推理、多步规划与边界场景。当遇到长链条任务时，失败样例比比皆是。与其看基准得分，不如关注模型在困难任务上的鲁棒性和一致性。

把下面口语句改写成专业表达，不超过 80 个汉字：这个模型看起来很猛，但一遇到复杂调试就开始掉链子。必须包含“复杂调试”和“稳定性”，不能包含“猛”“掉链子”。

Required phrases: 复杂调试、稳定性
Forbidden phrases: 猛、掉链子
Length guidance (diagnostic only): min=n/a, max=80

该模型在常规任务中表现优异，但在复杂调试环境下，其稳定性存在明显不足。

只输出 Python 代码，不要解释。实现 solve(events: list[dict]) -> dict[str, int]。每个事件包含 user、type、amount；type 为 "add" 或 "remove"。按 user 汇总 add 减 remove 后的库存，结果中去掉库存为 0 的用户，按 key 字典序返回普通 dict。amount 可能是字符串数字。

Reference tests:
events=[{'user':'b','type':'add','amount':'5'},{'user':'a','type':'add','amount':3},{'user':'b','type':'remove','amount':2},{'user':'a','type':'remove','amount':3}]
assert solution.solve(events) == {'b': 3}
assert solution.solve([]) == {}
assert solution.solve([{'user':'x','type':'remove','amount':'2'}]) == {'x': -2}

def solve(events: list[dict]) -> dict[str, int]:
    inventory = {}
    for event in events:
        user = event['user']
        type_ = event['type']
        amount = int(event['amount'])
        if type_ == 'add':
            inventory[user] = inventory.get(user, 0) + amount
        elif type_ == 'remove':
            inventory[user] = inventory.get(user, 0) - amount
    result = {user: stock for user, stock in inventory.items() if stock != 0}
    return dict(sorted(result.items()))

只输出 Python 代码，不要解释。实现 solve(expr: str) -> int。expr 只包含非负整数、+、-、空格和括号，计算表达式结果。不要使用 eval。

Reference tests:
assert solution.solve('1 + 2 - 3') == 0
assert solution.solve('10 - (2 + 3) + 4') == 9
assert solution.solve('(1+(4+5+2)-3)+(6+8)') == 23

```python
def solve(expr: str) -> int:
    i = 0
    def parse_expr():
        nonlocal i
        result = parse_term()
        while i < len(expr) and expr[i] in '+-':
            op = expr[i]
            i += 1
            term = parse_term()
            if op == '+':
                result += term
            else:
                result -= term
        return result

    def parse_term():
        nonlocal i
        while i < len(expr) and expr[i] == ' ':
            i += 1
        if i < len(expr) and expr[i] == '(':
            i += 1  # skip '('
            result = parse_expr()
            i += 1  # skip ')'
            return result
        sign = 1
        if i < len(expr) and expr[i] == '-':
            sign = -1
            i += 1
        while i < len(expr) and expr[i] == ' ':
            i += 1
        num = 0
        while i < len(expr) and expr[i].isdigit():
            num = num * 10 + int(expr[i])
            i += 1
        return sign * num

    return parse_expr()
```

只输出 Python 代码，不要解释。实现 solve(rows: list[str]) -> list[tuple[str, int]]。每行格式为 "name score"，空白数量不定；同名保留最高分；输出按分数降序、同分按 name 升序。忽略空行。

Reference tests:
assert solution.solve(['alice 10','bob   12','alice 15','','bob 11']) == [('alice',15),('bob',12)]
assert solution.solve(['x -1','a -1','b 0']) == [('b',0),('a',-1),('x',-1)]

```python
def solve(rows: list[str]) -> list[tuple[str, int]]:
    name_to_max_score = {}
    for row in rows:
        stripped = row.strip()
        if not stripped:
            continue
        parts = stripped.split()
        name = parts[0]
        score = int(parts[-1])
        if name not in name_to_max_score or score > name_to_max_score[name]:
            name_to_max_score[name] = score
    result = [(name, score) for name, score in name_to_max_score.items()]
    result.sort(key=lambda x: (-x[1], x[0]))
    return result
```

只输出 Python 代码，不要解释。实现 solve(pattern: str, text: str) -> bool。pattern 支持 ? 匹配任意单字符，* 匹配任意长度字符串。必须匹配完整 text。

Reference tests:
assert solution.solve('a*b?d', 'axxxbc d'.replace(' ','')) is True
assert solution.solve('a*c', 'ab') is False
assert solution.solve('*', '') is True
assert solution.solve('file-??.txt', 'file-ab.txt') is True

```python
def solve(pattern: str, text: str) -> bool:
    m, n = len(pattern), len(text)
    dp = [[False] * (n + 1) for _ in range(m + 1)]
    dp[0][0] = True
    for i in range(1, m + 1):
        if pattern[i - 1] == '*':
            dp[i][0] = dp[i - 1][0]
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            if pattern[i - 1] == '*':
                dp[i][j] = dp[i - 1][j] or dp[i][j - 1]
            elif pattern[i - 1] == '?':
                dp[i][j] = dp[i - 1][j - 1]
            else:
                dp[i][j] = dp[i - 1][j - 1] and pattern[i - 1] == text[j - 1]
    return dp[m][n]
```

只输出 Python 代码，不要解释。实现 solve(tree: dict) -> list[str]。tree 是嵌套字典，叶子是字符串或数字。返回所有叶子的路径，路径用点连接，按字典序排序。例如 {'a': {'b': 1}} -> ['a.b=1']。

Reference tests:
assert solution.solve({'a': {'b': 1, 'c': 'x'}, 'd': 2}) == ['a.b=1','a.c=x','d=2']
assert solution.solve({'z': {'a': {'b': 3}}}) == ['z.a.b=3']
assert solution.solve({}) == []

```python
def solve(tree: dict) -> list[str]:
    def dfs(node, path, result):
        for key, value in node.items():
            current_path = f"{path}.{key}" if path else key
            if isinstance(value, dict):
                dfs(value, current_path, result)
            else:
                result.append(f"{current_path}={value}")
    
    result = []
    dfs(tree, "", result)
    result.sort()
    return result
```

只输出 Python 代码，不要解释。实现 solve(nums: list[int]) -> int。返回删除恰好一个元素后，剩余数组的最大连续子数组和。nums 长度至少为 2，可以全为负数。

Reference tests:
assert solution.solve([1,-2,0,3]) == 4
assert solution.solve([1,-2,-2,3]) == 3
assert solution.solve([-1,-1,-1]) == -1
assert solution.solve([2,1,-2,3]) == 6

```python
def solve(nums: list[int]) -> int:
    a = nums[0]  # max subarray sum ending at i, 0 deletions
    b = float('-inf')  # max subarray sum ending at i, 1 deletion
    ans = float('-inf')
    for i in range(1, len(nums)):
        b = max(a, b + nums[i], nums[i])
        a = max(nums[i], a + nums[i])
        ans = max(ans, b)
    return ans
```

下面代码期望把输入按逗号拆分并去掉空白，但会把空字段也保留下来。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def parse(s):
    return [part.strip() for part in s.split(',')]
```

Expected regex pattern:
FIX:\s*`?\s*return\s+\[part\.strip\(\)\s+for\s+part\s+in\s+s\.split\('\,'\)\s+if\s+part\.strip\(\)\]\s*`?

**Bug:** `split(',')` 后产生的空字符串 `""` 不会被 `strip()` 过滤掉（`"".strip()` 仍为 `""`），所以连续逗号或首尾逗号产生的空字段会被保留在结果中。

**修复：** 在列表推导中加一个条件，过滤掉 strip 后为空的元素。

FIX: `return [part.strip() for part in s.split(',') if part.strip()]`

下面代码期望用 UTC 时间戳排序，但字符串排序会错。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 sort 行>。

```python
rows.sort(key=lambda r: r['ts'])
```

Accepted answers:
- datetime.fromisoformat
- dateutil.parser
- 解析 ts 后排序
- parse ts
- fromisoformat
- int(r['ts'])
- float(r['ts'])
- key=lambda r: int(r['ts'])
- key=lambda r: float(r['ts'])

**Bug：** `ts` 字段是字符串，直接按字典序排序会导致数值型时间戳（如 `"9..."` 排在 `"10..."` 之前）或非 ISO-8601 格式日期的顺序错误。需要先转换为可比较的数值/时间类型。

**FIX:** `rows.sort(key=lambda r: float(r['ts']))`

> 若 `ts` 是 ISO-8601 字符串（如 `"2024-01-01T00:00:00Z"`），则应改为：
> `rows.sort(key=lambda r: datetime.fromisoformat(r['ts'].replace('Z', '+00:00')))`

下面代码在输入包含 0 时会误判为默认值 10。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 limit 赋值行>。

```python
def query(limit=None):
    limit = limit or 10
    return list(range(limit))
```

Expected regex pattern:
FIX:\s*`?\s*(?:limit\s*=\s*10\s+if\s+limit\s+is\s+None\s+else\s+limit|limit\s*=\s*limit\s+if\s+limit\s+is\s+not\s+None\s+else\s+10|if\s+limit\s+is\s+None\s*:\s*limit\s*=\s*10)\s*`?

## Bug 分析

`limit or 10` 利用的是 Python 的短路求值（truthiness）。当调用方传入 `limit=0` 时，`0` 是 falsy 值，导致 `0 or 10` 被求值为 `10`，而非预期的 `0`。

同理，`""`、`[]`、`False` 等合法的 falsy 参数值也会被错误地替换为默认值。

## 最小修复

将 `or` 改为显式的 `None` 检查：

FIX: `limit = limit if limit is not None else 10`

下面代码期望复制嵌套配置后修改副本，但原配置也被修改。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 copied 赋值行>。

```python
def update(config):
    copied = dict(config)
    copied['db']['host'] = 'localhost'
    return copied
```

Expected regex pattern:
FIX:\s*`?\s*copied\s*=\s*(?:copy\.deepcopy\(config\)|__import__\(['\"]copy['\"]\)\.deepcopy\(config\))\s*`?

## Bug 分析

`dict(config)` 是**浅拷贝**：外层字典是新的，但内层的 `config['db']` 仍然是对原对象的引用。因此修改 `copied['db']['host']` 会穿透回原 `config`。

## 最小修复

引入 `copy` 模块，用 `deepcopy` 替代浅拷贝即可：

```python
import copy

def update(config):
    copied = copy.deepcopy(config)
    copied['db']['host'] = 'localhost'
    return copied
```

FIX: `copied = copy.deepcopy(config)`

下面代码期望找到第一个匹配项，但找不到时会抛 StopIteration。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def find_user(users, name):
    return next(u for u in users if u['name'] == name)
```

Expected regex pattern:
\*{0,2}FIX\*{0,2}:\*{0,2}\s*`?\s*return\s+next\(\(u\s+for\s+u\s+in\s+users\s+if\s+u\['name'\]\s*==\s*name\),\s*None\)\s*`?

## Bug 分析

`next(iterator)` 在迭代器耗尽时默认抛出 `StopIteration`，没有匹配项时就会触发。

## 最小修复

给 `next()` 添加第二个参数作为默认值，找不到时返回 `None`：

FIX: `return next((u for u in users if u['name'] == name), None)`

下面代码期望按请求顺序记录日志，但默认参数导致多次调用共用同一个列表。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的函数定义行>。

```python
def log_request(req, logs=[]):
    logs.append(req['id'])
    return logs
```

Expected regex pattern:
FIX:\s*(?:```(?:python)?\s*)?`?\s*def\s+log_request\(req,\s*logs=None\)\s*:

**Bug:** Python 中函数的默认参数是**定义时求值一次**并绑定到函数对象上的。`logs=[]` 这个列表只创建一次，之后所有未传 `logs` 的调用都会共享并修改同一个列表对象，导致日志累积而非独立记录。

**最小修复：** 将默认值改为 `None`，在函数体内按需创建新列表。

FIX: `def log_request(req, logs=None):`
```python
def log_request(req, logs=None):
    if logs is None:
        logs = []
    logs.append(req['id'])
    return logs
```

只回答最终数字：一个队列从左到右是 A,B,C,D,E。依次执行：把第 2 个移到末尾；删除第 3 个；在最前面插入 X；把最后两个反转。最终队列中 C 的位置是第几位？

Answer: 3

3

只回答最终数字：某缓存命中率从 60% 提升到 75%。如果总请求数为 800，未命中请求减少了多少个？

Answer: 120

120

只根据资料回答。

资料：A 模型在 ability mode 中通过 46/50，成本 0.12 美元；在 efficiency mode 中通过 34/50，成本 0.04 美元。报告建议把 ability mode 用于能力判断，把 efficiency mode 用于成本和稳定性判断。

问题：如果文章讨论“模型真实能力”，应该优先引用哪个模式？如果讨论“低预算可用性”，应该优先引用哪个模式？

Required phrases: ability mode、efficiency mode、真实能力、低预算
Forbidden phrases: 只看一个模式
Length guidance (diagnostic only): min=n/a, max=180

- 讨论“模型真实能力”时，应优先引用 ability mode，因为报告建议将其用于能力判断。
- 讨论“低预算可用性”时，应优先引用 efficiency mode，因为报告建议将其用于成本和稳定性判断。

只根据资料回答。

资料：一次失败分析显示，模型输出了 key = int(parts[1])，但测试数据里的 key 是字符串 a、b、c。报告认为这是“擅自补类型假设”，不是 token 截断。

问题：这次失败的根因是什么？

Required phrases: key
At least one from each group: 字符串 / 类型不匹配；整数 / int；类型假设 / 假设 key 为整数 / 假设 key 是整数 / key 为整数类型
Length guidance (diagnostic only): min=n/a, max=120

根因是模型擅自添加类型假设，错误地将 key 解析为整数，而实际测试数据中的 key 是字符串。

只根据资料回答，不要自行补充。

资料：DracoBench 的 HTML 报告目前展示 Summary、By Suite、Failure Examples 和 Case Details。Failure Examples 中包括 Prompt、Mistake Analysis、Scorer Details 和 Output。资料没有提到图表功能。

问题：报告是否已经支持图表？回答时说明依据。

Required phrases: 图表、资料
At least one from each group: 提到 / 提及
Forbidden phrases: 已经支持、折线图、柱状图
Length guidance (diagnostic only): min=n/a, max=100

根据提供的资料，报告目前不支持图表功能。依据是资料中明确说明：“资料没有提到图表功能。”此外，资料描述的报告内容仅包括 Summary、By Suite、Failure Examples 和 Case Details（其中 Failure Examples 包含 Prompt、Mistake Analysis、Scorer Details 和 Output），这些部分均未涉及图表相关功能。因此，基于资料，图表功能未被提及或支持。

只输出 JSON 对象。字段 mode 必须是 "ability"；字段 limits 必须是对象，包含 max_tokens:4096 和 temperature:0；字段 warnings 必须是正好两个字符串组成的数组。不要 Markdown。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "mode",
    "limits",
    "warnings"
  ],
  "additionalProperties": false,
  "properties": {
    "mode": {
      "type": "string",
      "const": "ability"
    },
    "limits": {
      "type": "object",
      "required": [
        "max_tokens",
        "temperature"
      ],
      "additionalProperties": false,
      "properties": {
        "max_tokens": {
          "type": "integer",
          "const": 4096
        },
        "temperature": {
          "type": "integer",
          "const": 0
        }
      }
    },
    "warnings": {
      "type": "array",
      "minItems": 2,
      "maxItems": 2,
      "items": {
        "type": "string"
      }
    }
  }
}

{
  "mode": "ability",
  "limits": {
    "max_tokens": 4096,
    "temperature": 0
  },
  "warnings": ["Token limit reached", "Temperature set to minimum"]
}

只输出 Markdown 表格，必须有 3 列：模式、用途、风险。必须包含 ability mode 和 efficiency mode 两行。不能添加表格外说明。

Expected regex pattern:
^\s*\|\s*模式\s*\|\s*用途\s*\|\s*风险\s*\|\s*\n\s*\|\s*-+\s*\|\s*-+\s*\|\s*-+\s*\|[\s\S]*ability mode[\s\S]*efficiency mode[\s\S]*$

| 模式 | 用途 | 风险 |
|------|------|------|
| ability mode | 增强系统能力，提升性能或功能 | 资源消耗高，可能导致稳定性问题 |
| efficiency mode | 优化资源使用，提高效率或节省能源 | 可能牺牲性能或限制部分功能 |

写一段不超过 140 个汉字的公众号小结，主题是“为什么要同时展示原题、模型输出和错误解释”。必须包含“原题”“错误解释”“可复查”，不能出现“玄学”。

Required phrases: 原题、错误解释、可复查
Forbidden phrases: 玄学
Length guidance (diagnostic only): min=n/a, max=140

**公众号小结：为什么要同时展示原题、模型输出和错误解释**

在评测中同时展示原题、模型输出和错误解释，是提升透明度的关键。原题让读者自行判断难度，模型输出暴露真实水平，错误解释则指出问题根源。三者对照，结论可复查、可验证，避免主观臆断，也让改进有据可依。

只回答最终数字：变量初始为 x=2, y=5, z=1。若 x<y，交换 x 和 y；然后令 z=z+x-y；若 z 为偶数，令 y=y+z，否则令 x=x+z。最终 x+y+z 等于多少？

Answer: 15

15

只回答一个字母：任务 A、B、C、D、E、F 排列。C 必须紧挨在 A 后面；B 必须在 D 前；D 必须在 F 前；F 必须最后；E 不能第一。在所有满足条件的排列中字典序最小的排列，第三个任务是谁？

Answer: B

B

只回答“可满足”或“不可满足”：布尔变量 x、y、z 满足：x 和 y 恰好一个为真；如果 x 为真则 z 为真；如果 y 为真则 z 为假；z 为真。是否存在赋值满足全部约束？

Answer: 可满足

可满足

只回答最终数字：列表 [2,4,6,8] 中每个数先减去它的位置编号（从 1 开始），然后删除所有奇数，再把剩余数平方，最后求和。结果是多少？

Answer: 20

20

只回答最终数字：一个 5 位二进制数 10110 先循环右移 1 位，再与 00111 做异或，最后转成十进制。结果是多少？

Answer: 12

**12**

逐步过程：
1. **循环右移1位**：10110 → **01011**
2. **与 00111 异或**：01011 ⊕ 00111 = **01100**
3. **转十进制**：01100₂ = **12**

只回答一个字母：模型 A 通过 18 题、成本 0.06；模型 B 通过 20 题、成本 0.10；模型 C 通过 16 题、成本 0.04。按“通过题数/成本”最高选择，应该选哪个模型？

Answer: C

C

只回答最终数字：同一套 100 道题中，失败题数从 12 降到 7。错误率降低了多少个百分点？

Answer: 5

5

只回答最终数字：集合 S 初始为 {a,b,c,d}。删除字母序在 c 之前的元素；加入 e 和 b；再删除所有元音字母。最终集合有几个元素？

Answer: 3

3

只回答最终数字：3x3 矩阵按行是 1 2 3 / 4 5 6 / 7 8 9。顺时针旋转 90 度后，第二行元素之和是多少？

Answer: 15

15

只回答最终数字：依赖关系为 a 无依赖；b 依赖 a；c 依赖 a；d 依赖 b 和 c；e 依赖 b；f 依赖 d 和 e；g 依赖 a。按可并行执行的拓扑层划分，第二层有几个任务？

Answer: 3

3

只回答星期几：第 0 天是星期二。每 7 天循环一次。第 17 天是星期几？

Answer: 星期五

星期五

只回答最终数字：用 A、B、C 组成长度为 3 的字符串，要求恰好包含一个 A，并且最后一个字符不能是 C。满足条件的字符串有多少个？

Answer: 8

8

只回答最终数字：栈操作从空栈开始。push n 表示入栈；dup 复制栈顶；add 弹出两个数并压入它们的和；swap 交换栈顶两个数；sub 先弹出 x 再弹出 y，并压入 y-x。依次执行：push 2, push 3, dup, add, push 4, swap, sub。最终栈顶是多少？

Answer: -2

-2

只回答最终数字：三个队列 Q1、Q2、Q3 初始长度分别为 2、1、0。每一轮先从所有非空队列各处理 1 个元素，然后向 Q3 加入 2 个元素。执行 3 轮后，三个队列总长度是多少？

Answer: 4

4

只回答最终数字：映射初始为 {a:1, b:2}。依次执行：设置 c=a+b；设置 a=c-b；删除 b；设置 d=a+c。最终所有 value 之和是多少？

Answer: 8

8

只回答“甲”“乙”或“丙”：甲说“乙说的是真话”；乙说“丙说的是假话”；丙说“甲说的是假话”。如果恰好一人说真话，说真话的人是谁？

Answer: 丙

丙

只回答一个字母：综合分 = 通过率百分数 - 成本乘以 10。模型 A 通过率 92%、成本 0.20；模型 B 通过率 88%、成本 0.05；模型 C 通过率 90%、成本 0.10。综合分最高的是哪个模型？

Answer: A

A

只回答最终三位数：一个三位数的百位为 a、十位为 b、个位为 c。已知 a+b+c=13，a=c+1，b=2c。这个三位数是多少？

Answer: 463

463

只输出 Python 代码，不要解释。实现 solve(line: str) -> list[str]，解析一行简化 CSV：逗号分隔；字段可以用双引号包裹；引号内逗号保留；引号内两个连续双引号表示一个双引号；空字段保留；空格是普通字符，不要自动 trim。

Reference tests:
assert solution.solve('a,"b,c",d') == ['a', 'b,c', 'd']
assert solution.solve('"a""b",,x') == ['a"b', '', 'x']
assert solution.solve('  a ," b " ') == ['  a ', ' b  ']

```python
def solve(line: str) -> list[str]:
    fields = []
    i = 0
    n = len(line)
    while i <= n:
        if i == n or line[i] == ',':
            fields.append('')
            i += 1
        elif line[i] == '"':
            i += 1
            field = []
            while i < n:
                if line[i] == '"':
                    if i + 1 < n and line[i + 1] == '"':
                        field.append('"')
                        i += 2
                    else:
                        i += 1
                        break
                else:
                    field.append(line[i])
                    i += 1
            fields.append(''.join(field))
            if i < n and line[i] == ',':
                i += 1
        else:
            j = i
            while j < n and line[j] != ',':
                j += 1
            fields.append(line[i:j])
            i = j + 1
    return fields
```

只输出 Python 代码，不要解释。实现 solve(intervals: list[tuple[int, int]]) -> list[tuple[int, int]]。intervals 是整数闭区间，先按起点排序；重叠或端点相邻的区间要合并，例如 [1,2] 和 [3,4] 合并为 [1,4]。

Reference tests:
assert solution.solve([(5,7),(1,2),(3,4),(10,10)]) == [(1,7),(10,10)]
assert solution.solve([(1,1),(3,3)]) == [(1,1),(3,3)]
assert solution.solve([]) == []

```python
def solve(intervals: list[tuple[int, int]]) -> list[tuple[int, int]]:
    if not intervals:
        return []
    
    intervals.sort(key=lambda x: x[0])
    
    merged = []
    for start, end in intervals:
        if not merged:
            merged.append((start, end))
        else:
            last_start, last_end = merged[-1]
            if start <= last_end + 1:
                merged[-1] = (last_start, max(last_end, end))
            else:
                merged.append((start, end))
    
    return merged
```

只输出 Python 代码，不要解释。实现 solve(events: list[tuple[str, int]], window: int, limit: int) -> list[bool]，模拟按用户限流。events 按时间非降序排列。某用户在当前事件时间 ts 的窗口 (ts-window, ts] 内，已放行事件数少于 limit 才放行；被拒绝的事件不计入窗口。

Reference tests:
events=[('a',1),('a',2),('a',3),('a',4),('a',8)]
assert solution.solve(events, 5, 2) == [True, True, False, False, True]
assert solution.solve([('x',10),('x',11),('x',16)], 5, 1) == [True, False, True]

```python
from collections import deque

def solve(events: list[tuple[str, int]], window: int, limit: int) -> list[bool]:
    allowed_ts = deque()
    result = []
    for _, ts in events:
        while allowed_ts and allowed_ts[0] <= ts - window:
            allowed_ts.popleft()
        if len(allowed_ts) < limit:
            result.append(True)
            allowed_ts.append(ts)
        else:
            result.append(False)
    return result
```

只输出 Python 代码，不要解释。实现 solve(path: str) -> str，规范化绝对 Unix 路径：处理重复斜杠、.、..；.. 在根目录时仍留在根目录；返回结果必须以 / 开头且除根目录外不能以 / 结尾。不要使用 os.path。

Reference tests:
assert solution.solve('/a//b/./c/../') == '/a/b'
assert solution.solve('/../../x') == '/x'
assert solution.solve('/') == '/'

```python
def solve(path: str) -> str:
    parts = path.split('/')
    stack = []
    for part in parts:
        if part == '' or part == '.':
            continue
        elif part == '..':
            if stack:
                stack.pop()
        else:
            stack.append(part)
    if not stack:
        return '/'
    return '/' + '/'.join(stack)
```

只输出 Python 代码，不要解释。实现 solve(words: list[str]) -> list[list[str]]，按变位词分组。大小写敏感；组内保持输入顺序；组的顺序按该组第一个单词在输入中出现的位置。

Reference tests:
assert solution.solve(['eat','tea','tan','ate','nat','bat']) == [['eat','tea','ate'], ['tan','nat'], ['bat']]
assert solution.solve(['b','B','bb']) == [['b'], ['B'], ['bb']]

```python
def solve(words: list[str]) -> list[list[str]]:
    anagram_groups = {}
    order_keys = []
    for word in words:
        key = ''.join(sorted(word))
        if key not in anagram_groups:
            anagram_groups[key] = []
            order_keys.append(key)
        anagram_groups[key].append(word)
    return [anagram_groups[key] for key in order_keys]
```

只输出 Python 代码，不要解释。实现 solve(text: str) -> dict，解析 Markdown front matter。只有第一行正好是 --- 时才解析，直到下一行 --- 结束；每行 key: value，key 和 value 两侧 trim；形如 [a, b] 的 value 返回字符串列表；其他 value 返回字符串。没有完整 front matter 返回 {}。

Reference tests:
text='---\ntitle: Test\ntags: [ai, bench,  v0]\ndraft: false\n---\nbody'
assert solution.solve(text) == {'title':'Test','tags':['ai','bench','v0'],'draft':'false'}
assert solution.solve('hello\n---\na: b') == {}
assert solution.solve('---\na: 1') == {}

```python
def solve(text: str) -> dict:
    lines = text.split('\n')
    if not lines or lines[0].strip() != '---':
        return {}
    
    end_idx = -1
    for i in range(1, len(lines)):
        if lines[i].strip() == '---':
            end_idx = i
            break
    
    if end_idx == -1:
        return {}
    
    result = {}
    for i in range(1, end_idx):
        line = lines[i]
        colon_pos = line.find(':')
        if colon_pos == -1:
            continue
        key = line[:colon_pos].strip()
        value = line[colon_pos + 1:].strip()
        
        if value.startswith('[') and value.endswith(']'):
            inner = value[1:-1]
            result[key] = [item.strip() for item in inner.split(',')]
        else:
            result[key] = value
    
    return result
```

只输出 Python 代码，不要解释。实现 solve(items: list[str], k: int) -> list[str]，返回出现次数最高的前 k 个元素；次数相同按第一次出现的先后排序；k 大于不同元素数量时返回全部。

Reference tests:
assert solution.solve(['b','a','b','c','a','b'], 2) == ['b','a']
assert solution.solve(['x','y','z','y','z','x'], 2) == ['x','y']
assert solution.solve(['a'], 5) == ['a']

```python
def solve(items: list[str], k: int) -> list[str]:
    counts = {}
    first_occurrence = {}
    for idx, item in enumerate(items):
        if item not in counts:
            first_occurrence[item] = idx
            counts[item] = 0
        counts[item] += 1
    
    elements = [(item, counts[item], first_occurrence[item]) for item in counts]
    elements.sort(key=lambda x: (-x[1], x[2]))
    return [item for item, _, _ in elements[:k]]
```

只输出 Python 代码，不要解释。实现 solve(config: dict, overrides: dict[str, object]) -> dict。overrides 的 key 是点号路径；值为 None 表示删除该路径的叶子 key；其他值写入路径，必要时创建中间 dict；不能修改输入 config。

Reference tests:
base={'db':{'host':'old','port':5432},'feature':{'x':1}}
overrides={'db.host':'new','feature.x':None,'api.timeout':30}
res=solution.solve(base, overrides)
assert res == {'db':{'host':'new','port':5432},'feature':{},'api':{'timeout':30}}
assert base == {'db':{'host':'old','port':5432},'feature':{'x':1}}
assert solution.solve({'a':1}, {'a.b':2}) == {'a': {'b': 2}}

```python
import copy

def solve(config: dict, overrides: dict[str, object]) -> dict:
    result = copy.deepcopy(config)

    for path, value in overrides.items():
        keys = path.split(".")
        if value is None:
            # Delete the leaf key
            d = result
            for key in keys[:-1]:
                if key not in d or not isinstance(d[key], dict):
                    break
                d = d[key]
            else:
                if keys[-1] in d:
                    del d[keys[-1]]
        else:
            # Set value, creating intermediate dicts as needed
            d = result
            for key in keys[:-1]:
                if key not in d or not isinstance(d[key], dict):
                    d[key] = {}
                d = d[key]
            d[keys[-1]] = value

    return result
```

只输出 Python 代码，不要解释。实现 solve(query: str) -> dict[str, list[str]]，解析 URL query string。& 分隔参数；没有 = 的参数值为空字符串；+ 表示空格；%XX 需要按 UTF-8 百分号解码；同名 key 保留所有值的列表。可以使用标准库。

Reference tests:
assert solution.solve('a=1&b=two+words&a=3') == {'a':['1','3'], 'b':['two words']} 
assert solution.solve('empty=&flag&x=a%2Bb') == {'empty':[''], 'flag':[''], 'x':['a+b']} 
assert solution.solve('') == {}

```python
import urllib.parse

def solve(query: str) -> dict[str, list[str]]:
    result: dict[str, list[str]] = {}
    pairs = urllib.parse.parse_qsl(query, keep_blank_values=True)
    for key, value in pairs:
        if key not in result:
            result[key] = []
        result[key].append(value)
    return result
```

只输出 Python 代码，不要解释。实现 solve(html: str) -> bool，校验简化 HTML 标签是否配对。标签形如 <a>、</a>、<br/>，标签名只含小写字母；自闭合标签不入栈；普通文本忽略。

Reference tests:
assert solution.solve('<div><br/><p>x</p></div>') is True
assert solution.solve('<a><b></a></b>') is False
assert solution.solve('text<a><b/></a>') is True

```python
def solve(html: str) -> bool:
    stack = []
    i = 0
    n = len(html)
    while i < n:
        if html[i] == '<':
            j = i + 1
            while j < n and html[j] != '>':
                j += 1
            if j == n:
                return False
            tag_content = html[i:j+1]
            i = j + 1
            if tag_content.endswith('/>'):
                continue
            elif tag_content.startswith('</'):
                name = tag_content[2:-1]
                if not name.isalpha() or not name.islower():
                    return False
                if not stack or stack[-1] != name:
                    return False
                stack.pop()
            else:
                name = tag_content[1:-1]
                if not name.isalpha() or not name.islower():
                    return False
                stack.append(name)
        else:
            i += 1
    return len(stack) == 0
```

只输出 Python 代码，不要解释。实现 solve(grid: list[str]) -> int。grid 中 S 是起点，E 是终点，# 是墙，. 可走。每步上下左右移动一格，返回从 S 到 E 的最短步数；不可达返回 -1。

Reference tests:
assert solution.solve(['S..','##.','..E']) == 4
assert solution.solve(['S#','##','E.']) == -1
assert solution.solve(['SE']) == 1

```python
from collections import deque

def solve(grid: list[str]) -> int:
    n, m = len(grid), len(grid[0])
    sr = sc = er = ec = -1
    for i in range(n):
        for j in range(m):
            if grid[i][j] == 'S':
                sr, sc = i, j
            elif grid[i][j] == 'E':
                er, ec = i, j
    dist = [[-1]*m for _ in range(n)]
    dist[sr][sc] = 0
    q = deque([(sr, sc)])
    while q:
        r, c = q.popleft()
        if r == er and c == ec:
            return dist[r][c]
        for dr, dc in [(-1,0),(1,0),(0,-1),(0,1)]:
            nr, nc = r+dr, c+dc
            if 0 <= nr < n and 0 <= nc < m and dist[nr][nc] == -1 and grid[nr][nc] != '#':
                dist[nr][nc] = dist[r][c] + 1
                q.append((nr, nc))
    return -1
```

只输出 Python 代码，不要解释。实现 solve(nums: list[int], k: int) -> list[float]，返回每个长度为 k 的滑动窗口中位数。k 为奇数时返回中间值；k 为偶数时返回两个中间值平均数。

Reference tests:
assert solution.solve([1,3,-1,-3,5,3,6,7], 3) == [1, -1, -1, 3, 5, 6]
assert solution.solve([1,2,3,4], 2) == [1.5, 2.5, 3.5]

```python
import bisect

def solve(nums: list[int], k: int) -> list[float]:
    if not nums or k <= 0 or k > len(nums):
        return []
    
    # left: 有序列表存储较小一半，降序
    # right: 有序列表存储较大一半，升序
    left, right = [], []
    
    def add(num):
        # 插入到对应列表
        if not left or num <= left[-1]:
            bisect.insort(left, num)
        else:
            bisect.insort(right, num)
        # 平衡两个列表
        balance()
    
    def remove(num):
        # 从对应列表移除
        if num <= left[-1]:
            idx = bisect.bisect_left(left, num)
            left.pop(idx)
        else:
            idx = bisect.bisect_left(right, num)
            right.pop(idx)
        balance()
    
    def balance():
        # 确保 left 大小等于 right 或多一个
        if len(left) > len(right) + 1:
            val = left.pop()
            bisect.insort(right, val)
        elif len(right) > len(left):
            val = right.pop(0)
            bisect.insort(left, val)
    
    def get_median():
        if k % 2 == 1:
            return float(left[-1])
        else:
            return (left[-1] + right[0]) / 2.0
    
    result = []
    for i in range(len(nums)):
        add(nums[i])
        if i >= k - 1:
            result.append(get_median())
            remove(nums[i - k + 1])
    
    return result
```

只输出 Python 代码，不要解释。实现 solve(versions: list[str]) -> list[str]，按简化语义版本排序。版本为 major.minor.patch 或 major.minor.patch-label；major/minor/patch 按数字比较；同一数字版本下，带 label 的预发布版本低于正式版本；label 按字典序比较。

Reference tests:
assert solution.solve(['1.0.0','1.0.0-alpha','1.0.1','1.0.0-beta','0.9.9']) == ['0.9.9','1.0.0-alpha','1.0.0-beta','1.0.0','1.0.1']
assert solution.solve(['1.0.10','1.0.2']) == ['1.0.2','1.0.10']

```python
def solve(versions: list[str]) -> list[str]:
    def parse_version(v: str):
        base, *label = v.split("-", 1)
        major, minor, patch = map(int, base.split("."))
        return (major, minor, patch, label[0] if label else None)
    
    return sorted(versions, key=lambda v: parse_version(v))
```

只输出 Python 代码，不要解释。实现 solve(deps: dict[str, list[str]], changed: list[str]) -> list[str]。deps 表示 package -> 直接依赖。返回所有 changed 包，以及直接或间接依赖 changed 包的包，按字典序排序；只出现在依赖列表中的包也要能作为 changed 包返回。

Reference tests:
deps={'app':['lib','ui'],'ui':['core'],'lib':['core'],'core':[],'docs':[]}
assert solution.solve(deps, ['core']) == ['app','core','lib','ui']
assert solution.solve({'a':['x']}, ['x']) == ['a','x']
assert solution.solve({'a':['b'], 'b':[]}, ['a']) == ['a']

```python
from collections import deque, defaultdict

def solve(deps: dict[str, list[str]], changed: list[str]) -> list[str]:
    # 收集所有包名
    all_packages = set(deps.keys())
    for dep_list in deps.values():
        all_packages.update(dep_list)
    all_packages.update(changed)

    # 构建反向依赖图
    reverse_deps = defaultdict(list)
    for pkg, dep_list in deps.items():
        for dep in dep_list:
            reverse_deps[dep].append(pkg)

    # 初始化受影响的集合和队列
    affected = set(changed)
    queue = deque(changed)

    # BFS
    while queue:
        p = queue.popleft()
        for q in reverse_deps.get(p, []):
            if q not in affected:
                affected.add(q)
                queue.append(q)

    # 返回排序后的列表
    return sorted(affected)
```

只根据资料回答。

资料 A：早期草案说 v0.3 只新增 20 道题。
资料 B：2026-06-16 的确认方案是 v0.3-challenge100，在现有 50 题基础上新增 50 道题。
资料 C：新增题应先生成审题 HTML，确认后再跑模型，不要立即消耗 API。

问题：下一步应该新增多少题？是否应该立刻跑模型？

Required phrases: 50、审题
At least one from each group: 不跑 / 不要立刻 / 先不跑 / 不应立刻 / 不应该立刻 / 不应立即 / 不应该立即 / 不应立刻跑 / 不应该立刻跑 / 不应立即跑 / 不应该立即跑
Length guidance (diagnostic only): min=n/a, max=160

根据资料，下一步应该新增 50 道题（基于资料 B 的确认方案），并且不应该立刻跑模型，而应先生成审题 HTML 并确认后再跑模型（基于资料 C）。

只根据资料回答，不要自行补充。

资料：报告展示 pass_rate、avg_latency_ms、total_cost、reasoning_tokens、失败样例和逐题明细。资料没有包含用户满意度调查，也没有包含模型训练数据来源。

问题：能否根据这份报告判断用户满意度？

Required phrases: 不能、用户满意度
At least one from each group: 没有包含 / 没有提供 / 资料没有 / 未包含
Forbidden phrases: 可以判断
Length guidance (diagnostic only): min=n/a, max=120

不能。资料明确指出报告没有包含用户满意度调查。

只根据资料回答。

资料：模型 A 通过 48/50，平均延迟 20 秒，成本 0.20 美元，没有超时失败。模型 B 通过 44/50，平均延迟 4 秒，成本 0.05 美元，没有超时失败。模型 C 通过 46/50，平均延迟 9 秒，成本 0.04 美元，但有 3 次 API 超时。

问题：如果要选低延迟且稳定的生产摘要模型，资料更支持选择哪个？

Required phrases: B、延迟
At least one from each group: 没有超时 / 无超时
Forbidden phrases: 选择 A、选择 C
Length guidance (diagnostic only): min=n/a, max=160

根据资料，模型 B 的平均延迟最低（4 秒），且没有超时失败，因此低延迟且稳定。模型 A 延迟较高（20 秒），模型 C 有 API 超时导致不稳定。资料更支持选择模型 B。

只根据资料回答。

资料：DracoBench 当前 scoring policy 中，text_rules 的 max_chars/min_chars 只作为诊断信息记录，length_scored 为 false。缺少 required、required_any 或出现 forbidden 才会导致失败。

问题：如果答案超过 max_chars，但 required 都满足且没有 forbidden，会因为长度直接扣分吗？

Required phrases: 诊断
At least one from each group: 不扣分 / 不会 / 不会因长度 / 不会因此被扣分 / 不会直接导致扣分 / 不会导致扣分 / 不会导致失败或扣分；length_scored / 长度
Forbidden phrases: 直接失败、必须重跑
Length guidance (diagnostic only): min=n/a, max=140

不会。根据资料，length_scored 为 false，max_chars 仅作为诊断信息记录，不参与评分或导致失败。失败仅由缺少 required/required_any 或出现 forbidden 触发。

只根据资料回答。

资料 A：某模型原始结果为 45/50。
资料 B：修正一个同义表达评分规则后，rescored 结果为 46/50。
资料 C：总览 index 使用 rescored JSONL 作为展示结果。

问题：写文章引用总览结果时，应写 45/50 还是 46/50？

Required phrases: 46/50
Forbidden phrases: 45/50 更合适、原始结果为准
Length guidance (diagnostic only): min=n/a, max=140

根据资料 C，总览 index 使用 rescored JSONL 作为展示结果。因此，写文章引用总览结果时，应写 46/50。

只根据资料回答。

资料：为了复现一次 benchmark，记录中包含 model、case_id、prompt_hash、parameters、scorer details、output、latency_ms 和 usage。记录不包含 chain of thought，也不包含训练数据。

问题：复现评测主要应该依赖哪些记录字段？

Required phrases: model、prompt_hash、parameters、scorer
Forbidden phrases: chain of thought、训练数据
Length guidance (diagnostic only): min=n/a, max=200

根据资料，复现评测主要应该依赖以下记录字段：model、case_id、prompt_hash、parameters 和 scorer details。这些字段提供了重新执行评测所需的关键信息，包括模型标识、测试用例、提示哈希、运行参数和评分器配置。而 output、latency_ms 和 usage 更多是评测结果或元数据，不作为复现的核心依赖。

只根据资料回答。

资料 A：早期 ability mode 使用 4096 max_tokens。
资料 B：后来为了公平，ability mode 统一放宽到 16384 max_tokens。
资料 C：当前总览页只展示 v0.2-challenge50 且 ability16384 的结果。

问题：当前总览页对应的 token limit 是多少？

Required phrases: 16384
Forbidden phrases: 4096
Length guidance (diagnostic only): min=n/a, max=100

只根据资料回答。

资料：coding-004 的失败是代码运行时 ValueError，根因是把字符串 key 强转 int。rag-006 的失败曾经是规则没有把 int 类型视作“整数”的同义表达，后来通过人工复查修正规则。

问题：哪类失败更需要人工复查评分规则？回答时也说明 coding-004 是否属于这种情况。

Required phrases: 人工复查、coding-004
At least one from each group: rag-006 / 规则 / 评分规则 / 同义表达；不属于 / 不是 / 不需要
Length guidance (diagnostic only): min=n/a, max=180

根据资料，rag-006 这类失败更需要人工复查评分规则，因为它涉及到规则本身的不完善（未将 int 类型视作“整数”的同义表达），需要人工修正规则。

而 coding-004 不属于这种情况，它是代码运行时错误（ValueError），根因是类型转换问题，属于技术实现缺陷，无需人工复查评分规则。

只根据资料回答。

资料：usage 字段包含 prompt_tokens、completion_tokens、reasoning_tokens 和 cost。报告没有供应商真实利润率，也没有供应商内部成本。

问题：能否从 usage 字段判断供应商利润率？

Required phrases: 不能、利润率
At least one from each group: 不包含 / 没有
Forbidden phrases: 可以判断
Length guidance (diagnostic only): min=n/a, max=120

**不能。**

虽然 usage 字段包含 cost（可视为收入），但利润率计算需要：

**利润率 = (收入 - 成本) / 收入**

资料明确指出报告**没有供应商内部成本**，缺少计算利润率的关键数据。

只根据资料回答。

资料：当前 index 页只显示最后这版 50 道题的 v0.2-challenge50 结果，并且 token limit 都统一为 ability16384。之前的版本和 ability4096 结果不显示在 index 页。

问题：index 页是否应该展示旧版本结果？当前展示范围是什么？

Required phrases: v0.2-challenge50、ability16384
At least one from each group: 不应该 / 不展示 / 未展示 / 不显示 / 均不显示 / 不应展示；旧版本 / 之前的版本
Length guidance (diagnostic only): min=n/a, max=160

根据资料，index页**不应该展示旧版本结果**。当前展示范围仅限于**最后这版50道题的v0.2-challenge50结果**，且token limit统一为ability16384。其他版本及ability4096结果均不在index页显示。

只根据资料回答。

资料：某 coding 题中，模型响应的 finish_reason 为 length，output 为空，测试报错为 module has no attribute solve。报告认为这不是算法逻辑错误，而是输出被截断后没有形成可执行函数。

问题：这次失败应如何归因？

Required phrases: 输出
At least one from each group: 截断 / length / token
Length guidance (diagnostic only): min=n/a, max=140

输出被截断，导致未生成完整的可执行函数，因此失败。

下面代码期望 funcs[0]()、funcs[1]()、funcs[2]() 分别返回 0、1、2，但实际都会返回 2。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的 append 行>。

```python
funcs = []
for i in range(3):
    funcs.append(lambda: i)
```

Expected regex pattern:
FIX:\s*`?\s*funcs\.append\(lambda\s+i=i\s*:\s*i\)\s*`?

## 根因

Lambda 捕获的是变量 `i` 的**引用**（闭包），而非其当前值。循环结束后 `i` 为 2，因此所有 lambda 调用时都看到同一个 `i = 2`。

## 修复

利用默认参数在**定义时**求值的特性，将 `i` 的当前值绑定到每个 lambda 的局部作用域。

FIX: `funcs.append(lambda i=i: i)`

下面 context manager 期望异常继续向外抛出，但实际异常被吞掉。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
class Span:
    def __enter__(self):
        return self
    def __exit__(self, exc_type, exc, tb):
        return True
```

Expected regex pattern:
FIX:\s*`?\s*return(?:\s+False|\s+None)?\s*`?

**Bug:** `__exit__` 返回 `True`，这会吞掉异常。Python 中 `__exit__` 返回 truthy 值表示"我已处理该异常，不要继续抛出"。

**修复：** 将 `return True` 改为 `return False`（或直接不返回）。

FIX: `return False`

下面代码期望每个 Bag 实例都有独立列表，但不同实例会共享 items。请指出 bug，并给出最小修复。最后单独一行写 FIX: <新增到 __init__ 中的赋值行>。

```python
class Bag:
    items = []
    def add(self, x):
        self.items.append(x)
```

Expected regex pattern:
FIX:\s*`?\s*self\.items\s*=\s*\[\]\s*`?

**Bug：** `items = []` 是类变量，所有实例共享同一个列表对象。

**最小修复：** 将列表初始化移到 `__init__` 中，使其成为实例变量。

```python
class Bag:
    def __init__(self):
        self.items = []
    def add(self, x):
        self.items.append(x)
```

FIX: self.items = []

下面代码期望每次不传 ts 时使用当前时间，但默认时间只会在函数定义时计算一次。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的函数定义行>。

```python
from datetime import datetime

def mark(ts=datetime.utcnow()):
    return ts.isoformat()
```

Expected regex pattern:
FIX:\s*`?\s*def\s+mark\(ts=None\)\s*:

**Bug:** Python 的默认参数值在函数**定义时**求值一次，之后所有调用共享同一个 `datetime` 对象，因此 `ts` 永远是模块加载时的时间。

**修复：** 用 `None` 作为哨兵值，在函数体内按需生成当前时间。

```python
def mark(ts=None):
    if ts is None:
        ts = datetime.utcnow()
    return ts.isoformat()
```

FIX: `def mark(ts=None):`

下面代码期望返回小写字符串，但实际返回的是方法对象。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def normalize(s):
    return s.strip().lower
```

Expected regex pattern:
FIX:\s*`?\s*return\s+s\.strip\(\)\.lower\(\)\s*`?

**Bug:** `lower` 后面缺少括号 `()`，导致返回的是方法对象而非方法的调用结果。

FIX: `return s.strip().lower()`

只输出 JSON 对象，不要 Markdown。字段 version 必须是 "v0.3"；字段 ready 必须是 true；字段 cases 必须是正好两个对象组成的数组。cases 中每个对象只能包含 id、weight、active 三个字段；id 是字符串且匹配 case-1 或 case-2；weight 是整数；active 是布尔值。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "version",
    "ready",
    "cases"
  ],
  "additionalProperties": false,
  "properties": {
    "version": {
      "type": "string",
      "const": "v0.3"
    },
    "ready": {
      "type": "boolean",
      "const": true
    },
    "cases": {
      "type": "array",
      "minItems": 2,
      "maxItems": 2,
      "items": {
        "type": "object",
        "required": [
          "id",
          "weight",
          "active"
        ],
        "additionalProperties": false,
        "properties": {
          "id": {
            "type": "string",
            "pattern": "^case-[12]$"
          },
          "weight": {
            "type": "integer"
          },
          "active": {
            "type": "boolean"
          }
        }
      }
    }
  }
}

{"version": "v0.3", "ready": true, "cases": [{"id": "case-1", "weight": 1, "active": true}, {"id": "case-2", "weight": 1, "active": true}]}

写一段不超过 160 个汉字的公众号小结，主题是“为什么 v0.3 要扩到 100 题”。必须包含“推理题”“边界条件”“人工复查”，不能出现“排行榜”。

Required phrases: 推理题、边界条件、人工复查
Forbidden phrases: 排行榜
Length guidance (diagnostic only): min=n/a, max=160

v0.3 版本将题库扩展至 100 题，旨在全面评估模型能力。新增推理题覆盖复杂逻辑场景，并针对边界条件进行测试，以检验模型鲁棒性和泛化性。所有题目均经人工复查，确保无歧义和准确性。此举提升模型实际应用性能，为后续优化奠定基础。