67.5%，实测且可复现。

在 BEAM 1M 上取得 67.5%，为 5 次独立运行的平均值（σ 0.22%，无任何挑选），由 gpt-4.1-mini 使用该基准自带的评判提示词打分。

即使是同一个基准，分数也会随打分方式大幅变化：评判模型、提示词，以及允许检索层做什么。我们使用作者仓库自带的评判模型打分，原样使用他们的评判提示词，不为迎合测试改动任何东西，并公开测试框架、打分代码与阅读端提示词，任何人都能原样复现 67.5%。

评测协议，一表看全

诚实的保障：第三方评判、原样公开的阅读器提示词、以及公布每一次运行的结果 - 而不是只报最好的一次。检索引擎是确定性的 - 再跑一次，返回的记忆完全相同。

我们攀登更难的基准

我们只在尚未攻克的最难的标准基准上测试 - 这个数字是所有 WOS 模型的最高水位线，每当更强的模型发布就会刷新。突破 94%，我们就毕业，转向更难的基准。