版本变化，回到证据看
仅展示已完成证据 · 11 个 run · 最新欢喜OS 0.8.14.81
数据生成时间：2026-11-12T08:20:17.085682+00:00；10 题 / 14 输入，各试次独立保留。
沿版本查看回复耗时、内容结果与执行步骤。所有数值是单轮观察；先看终态和内容，再看耗时。
版本总表
按日期及版本展示，不按分数排序。.67 的 11 completed / 3 failed 与内容 9 PASS 为不同口径。
| 版本 / 试次 | 测量日 | completed / 输入 | 内容 PASS | 回复耗时合计 / 秒 | 模型响应 | 工具调用 | 报告 |
|---|---|---|---|---|---|---|---|
| codex 0.165.0 | 2026-11-07 | 14 / 14 | 9 / 10 | 629.5 | 68 | 72 | 详情与报告 |
| openclaw 2026.11.1 | 2026-11-07 | 14 / 14 | 9 / 10 | 767.6 | 125 | 120 | 详情与报告 |
| .67 | 2026-11-07 | 11 / 14 | 9 / 10 | 3,019.0 | 301 | 281 | 详情与报告 |
| .68 | 2026-11-08 | 14 / 14 | 9 / 10 | 1,060.4 | 105 | 100 | 详情与报告 |
| .69 | 2026-11-08 | 14 / 14 | 8 / 10 | 927.9 | 97 | 85 | 详情与报告 |
| .69 v2env | 2026-11-12 | 14 / 14 | 9 / 10 | 804.2 | 85 | 74 | 详情与报告 |
| .77 | 2026-11-12 | 14 / 14 | 9 / 10 | 1,018.2 | 98 | 88 | 详情与报告 |
| .78 | 2026-11-12 | 14 / 14 | 9 / 10 | 902.9 | 85 | 72 | 详情与报告 |
| .79 | 2026-11-12 | 14 / 14 | 9 / 10 | 868.4 | 85 | 76 | 详情与报告 |
| .80 | 2026-11-12 | 14 / 14 | 9 / 10 | 873.5 | 85 | 72 | 详情与报告 |
| .81 | 2026-11-12 | 14 / 14 | 9 / 10 | 948.3 | 90 | 77 | 详情与报告 |
版本轨迹
横轴为日期、版本顺序的离散试次；点间距不表示经过时间。悬停可看数值与 SHA，点击进入原 run。
回复耗时合计 · 秒（越低越好）
Codex / OpenClaw：不同环境/不同日期，仅作参考量级，不参与欢喜OS 版本排名。归一化 = 当前值 ÷ .69 v2env 同指标值 × 100%；不消除环境差异。
内容 PASS 数 · 满分 10
Codex / OpenClaw：不同环境/不同日期，仅作参考量级，不参与欢喜OS 版本排名。归一化 = 当前值 ÷ .69 v2env 同指标值 × 100%；不消除环境差异。
可见模型响应数（越低越省）
Codex / OpenClaw：不同环境/不同日期，仅作参考量级，不参与欢喜OS 版本排名。归一化 = 当前值 ÷ .69 v2env 同指标值 × 100%；不消除环境差异。
原生工具调用数
Codex / OpenClaw：不同环境/不同日期，仅作参考量级，不参与欢喜OS 版本排名。归一化 = 当前值 ÷ .69 v2env 同指标值 × 100%；不消除环境差异。
模型响应更少仅代表可见次数更少，不代表物理请求、重试或账单更低；工具调用减少也须结合内容质量。
口径与限制
n=1；并发争用、模型随机性、跨日基线未受控；不能据此作统计排名或因果结论。输入终态、内容判分、范围遵守与采集完整度分开呈现。
固定基线为2026-11-07 Codex0.165.0 / OpenClaw2026.11.1；欢喜OS各版本单独新增试次。相同10题、14用户输入，liqian deepseek/deepseek-v4.1-flash-1017。 每次报告明确区分：输入→原生终态延迟、CLI/观察收尾、模型响应、工具步骤、内容判分、范围遵守与证据缺测。跨日固定基线不是同时随机对照。
- Relative to historical .68/.69 (teams-work-v1), this run uses a different teams-work-v2 environment. Main comparison uses same-day .69 v2 environment anchor.
- Six versions execute concurrently in separate 4C/8G sandboxes; cross-version provider contention and model nondeterminism are uncontrolled. One trial per case; no statistical ranking or causal attribution.
内容复核口径（comparisons/latest.md）：历史复核：C08 原检查器漏查子目录备份，原判保留、内容复核 PASS；C10 部署清单完整性与 JSON 层级题面有歧义，保留 INCONCLUSIVE。
主耗时不包含CLI终态后退出等待。模型/工具时间线允许重叠；不得相加当整体墙钟。单trial及跨日历史基线只支持探索性比较。