.67 · 报告快照

来源：reports/20261107-huanxi-0.8.14.67-t1/comparisons/latest.md

# 框架版本效果对比

生成于 2026-11-08T03:52:54.450466+00:00；只读已完成试次，计划不计作结果。

| 产品/版本 | 日期 | 用户turn完成/总数 | 内容复核 | 回复终态合计/秒 | 模型响应 | 工具调用 | 工具参数/结果缺测 |
|---|---|---:|---|---:|---:|---:|---:|
| codex 0.165.0 | 2026-11-07 | 14/14 | PASS=9, INCONCLUSIVE=1 | 629.48 | 68 | 72 | 0/0 |
| openclaw 2026.11.1 | 2026-11-07 | 14/14 | PASS=9, INCONCLUSIVE=1 | 767.63 | 125 | 120 | 0/0 |
| huanxi 0.8.14.67 | 2026-11-07 | 11/14 | PASS=9, INCONCLUSIVE=1 | 3019.01 | 301 | 281 | 23/23 |

## 准备与收尾阶段

这些阶段不计入用户输入到回复的耗时；缺测不补零。阶段可能嵌套，不直接累加。

| 产品/版本 | 阶段 | 秒 | 状态 |
|---|---|---:|---|
| codex 0.165.0 | 原归档未提供规范化阶段计时 | 缺测 | 未补测 |
| openclaw 2026.11.1 | 原归档未提供规范化阶段计时 | 缺测 | 未补测 |
| huanxi 0.8.14.67 | 原归档未提供规范化阶段计时 | 缺测 | 未补测 |

## 任务范围与模型观察

范围计数为可见命令中明确出现 /tmp 的次数，独立于内容 PASS；不是完整系统调用审计。

| 产品/版本 | /tmp 命令观察数 | 涉及题目 | 有范围观察的题数 | 模型ID缺测/不符 |
|---|---:|---|---:|---:|
| codex 0.165.0 | 4 | C04, C10 | 10 | 0/0 |
| openclaw 2026.11.1 | 5 | C04, C09 | 10 | 0/0 |
| huanxi 0.8.14.67 | 34 | C01, C03, C04, C06, C07, C09, C10 | 10 | 0/0 |

## 每题耗时与步骤

每格：用户输入→回复/失败终态秒数之和；模型响应数/工具调用数。

| Case | codex 0.165.0 | openclaw 2026.11.1 | huanxi 0.8.14.67 |
|---|---:|---:|---:|
| C01 发票去重与对账 | 30.61；4/3 | 36.86；6/6 | 173.55；18/14 |
| C02 日志关联与事故时间线 | 46.81；4/8 | 51.20；8/9 | 306.24；35/34 |
| C03 多文件政策优先级 | 29.13；5/6 | 49.03；9/10 | 134.09；17/18 |
| C04 时区与稳定排序 | 52.27；8/9 | 78.99；11/11 | 384.39；38/34 |
| C05 小模块修复与回归 | 92.96；7/10 | 134.43；21/22 | 145.86；12/11 |
| C06 依赖图与关键路径 | 23.34；3/2 | 55.14；9/8 | 478.43；41/37 |
| C07 采购方案追加预算约束 | 73.86；6/5 | 111.12；17/16 | 114.22；10/8 |
| C08 销售汇总与增量更正 | 78.90；9/11 | 52.84；10/8 | 197.36；21/16 |
| C09 命令行工具连续迭代 | 153.57；15/13 | 91.57；15/13 | 510.96；50/48 |
| C10 发布判断与新证据修正 | 48.03；7/5 | 106.46；19/17 | 573.91；59/61 |

## 下一步优化定位

以下按最新已完成OS试次与同题最快固定基线的延迟差排序，仅用于选择需要查看的轨迹，不证明原因。

| Case | OS秒 | 固定基线最快秒 | 差值秒 | OS模型/工具 |
|---|---:|---:|---:|---:|
| C06 依赖图与关键路径 | 478.43 | 23.34 | +455.10 | 41/37 |
| C09 命令行工具连续迭代 | 510.96 | 91.57 | +419.39 | 50/48 |
| C04 时区与稳定排序 | 384.39 | 52.27 | +332.13 | 38/34 |
| C02 日志关联与事故时间线 | 306.24 | 46.81 | +259.42 | 35/34 |
| C08 销售汇总与增量更正 | 197.36 | 52.84 | +144.52 | 21/16 |

判分歧义题不进入优化排名；各题原始延迟仍全部保留。优化分析应沿这些case的user-turns/model-steps/tool-steps查看：延迟来自更多轮次、单轮更慢、工具等待还是观察缺口；由原始日志支持后才能列为已证实原因。

## 证据与可比边界

- codex 0.165.0：run `20261107-codex-0.165.0-t1`；逐工具缺测与截断见工具CSV，完整采集说明见私有manifest。
- openclaw 2026.11.1：run `20261107-openclaw-2026.11.1-t1`；逐工具缺测与截断见工具CSV，完整采集说明见私有manifest。
- huanxi 0.8.14.67：run `20261107-huanxi-0.8.14.67-t1`；逐工具缺测与截断见工具CSV，完整采集说明见私有manifest。

固定基线：`20261107-codex-0.165.0-t1`, `20261107-openclaw-2026.11.1-t1`

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。
历史采集：Codex CLI 终态后等待累计约147.30秒，另列；OpenClaw C01 CLI退出时间缺测。OS .67 C08/U2由只读恢复拿到46.885秒真实回复延迟，与C09/U1重叠约45.136秒。输入延迟合计不是campaign墙钟。

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。

## 尚未执行的计划

- 0.8.14.68: preparing_isolated_trial
- 0.8.14.69: waiting_for_deployment

数据：[网页JSON](../exports/web-data.json)、[用户turn CSV](../exports/user-turns.csv)、[模型步骤CSV](../exports/model-steps.csv)、[工具步骤CSV](../exports/tool-steps.csv)。

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。