20260425203240

OUA (OpenClaw Unified Assessment) v2.0 — AI 全方位智能评估框架（工程导向版）。融合 OIT（8维度智商天花板）与 LLI（5维度工程地板+交付满意度+自我成长），共 13 维度全方位评估 AI 能力。三级难度制(Normal/Hard/Extreme)，104道精选试题。v2.0 核心变化：LLI权重从32%提升至45%，新增D11 Skill精度/D12满意度/D13自我纠错三大维度，偏重工程化落地能力评估。

🦞 OUA v2.0 — OpenClaw 统一智能评估框架 (工程导向版)

OIT 测智商天花板 · LLI 测工程地板 · OUA 看全貌 · v2.0 偏落地

Framework Overview

OUA (OpenClaw Unified Assessment) v2.0 是一套 13 维度双轨制 + 三级难度 AI 能力评估框架。

v1.0 → v2.0 核心变化

	v1.0	v2.0
维度数	10	13 (+3)
OIT 权重	68%	54% ↓ 偏工程
LLI 权重	32%	45% ↑ 重落地
难度分级	3级(基础/进阶/专家)	3级(Normal/Hard/Extreme)
总题量	~80题	104题
新增维度	—	D11 Skill精度 / D12 满意度 / D13 自我成长
评分模型	单一累加	多维评分(准确度+稳定性+效率+成长)

Dual-Track Architecture

text

OUA v2.0 = OIT (智商天花板 8维) + LLI (工程地板 5维)
         总权重:     54%              :   45%

🧠 OIT 轨道: 智商天花板 (54%)

"AI 能有多聪明？" —— 基础能力验证，不是决胜关键

维度	代号	权重	定位	核心问题
语言理解与生成	D1	9%	基础	"AI能听懂人话吗？"
逻辑推理与问题解决	D2	8%	基础	"AI会推理吗？"
知识广度与深度	D3	7%	基础	"AI知道得多吗？"
代码与技术能力	D4	10%	核心	"AI能写代码吗？"
创造性与发散思维	D5	5%	加分	"AI有创意吗？"
上下文记忆与一致性	D6	5%	加分	"AI记性好吗？"
实用工具使用	D7	6%	实用	"AI会用工具吗？"
安全性与伦理判断	D8	4%	底线	"AI靠谱安全吗？"

⚙️ LLI 轨道: 工程地板 (45%)

"AI 的产出能落地吗？" —— 决胜战场

维度	代号	权重	定位	核心问题
工程实现与落地	D9	12%	核心	"AI产出是Demo还是生产级？"
鲁棒性与容错	D10	8%	核心	"AI被折腾时会不会翻车？"
Skill 使用精度 ⭐	D11	10%	🆕核心	"工具用得准不准？顺不顺？"
交付满意度 ⭐	D12	6%	🆕重要	"用户对输出满意吗？"
自我纠错与成长 ⭐	D13	5%	🆕重要	"AI会进化吗？越用越强？"

Three-Tier Difficulty System

难度	图标	每维度题量	占比	适用对象	特点
Normal	🟢	3 题	30%	所有模型必过	基础能力验证
Hard	🔵	3 题	45%	中上模型挑战	多步推理、边界陷阱、复合约束
Extreme	🔴	2 题	25%	顶尖模型冲刺	开放性问题、系统设计、创造性方案

总题量: 13维度 × 8题 = 104 题

Scoring Model v2.0

多维评分公式

text

Final_Score = Accuracy × 0.50 + Stability × 0.20 + Efficiency × 0.15 + Growth × 0.15

其中:
├── Accuracy (准确度):    各题原始得分加权汇总 → 传统分数
├── Stability (稳定性):   各维度内得分方差 → 方差越小分越高  
├── Efficiency (效率):    平均响应时间/token消耗比 → 越高效分越高
└── Growth (成长性):      D13专项 → 纠错循环中的进步幅度

Grade Scale

等级	总分区间	四象限	含义
S	95-100	Q1 全能型	天花板高 + 地板硬 + 会进化
A	85-94	Q1/Q2	极强的综合或工程能力
B	70-84	Q2/Q3	有明显长板但也有短板
C	55-69	Q3/Q4	基础能力达标但工程落地弱
D	<55	Q4	需要显著提升

Four Quadrants (四象限分类)

text

        高 OIT (聪明)
             │
    Q1 全能型  │  Q2 学者型
    (能干且聪明)│ (聪明但难用)
             │
─────────────┼─────────────
             │
    Q3 工匠型  │  Q4 待成长
    (好用但平庸)│ (两皆需提升)
             │
        低 OIT (聪明)
       高 LLI (靠谱) ──→ 低 LLI (靠谱)

Test Modes

Quick Mode (~25min, 39题)

每维度 1-3 道 Normal 题，全 13 维度基本扫描。适合日常快速检测。

Standard Mode (~60min, 78题)

Quick + Hard 题，中等强度全面评估。

Full Mode (~120min, 104题)

全部题目含 Extreme 级别 + 深度追问。完整评测。

LLI Focus Mode (~40min, 48题)

只测 D9-D13（工程轨道），快速评估"靠不靠谱"。

Workflow

Step 1: 选择测试模式

根据目的选择 mode（默认 quick）。

Step 2: 逐题作答

按 references/test-bank-v2.md 中的题目逐一进行。 每题 1-5 分，参照期望答案和评分标准。

Step 3: 运行评分脚本

bash

python scripts/score_test.py --input results.json --output report.html --mode full

Step 4: 查看报告

HTML 报告包含：

• 13轴雷达图
• 四象限定位 + 五级评级
• 难度热力图（哪级丢分多）
• 稳定性曲线
• 成长轨迹图（D13 多轮表现）
• 对比基准线
• TOP3 改进建议

Files

text

oua-intelligence-test/
├── SKILL.md                      ← 你在这里
├── references/
│   ├── test-bank.md              ← v1.0 题库 (80题, 10维)
│   └── test-bank-v2.md           ← v2.0 题库 (104题, 13维) ⭐
├── scripts/
│   └── score_test.py             ← 评分引擎 + HTML 报告生成器
├── README.md                     ← 项目文档
├── LICENSE                       ← MIT
├── OUA-v2.0-upgrade-plan.md      ← v2.0 升级方案文档
├── OUA-v2.0-weight-revision.md   ← 权重修订说明
└── 给小孩哥的介绍.md              ← 项目介绍（可转发）

Changelog

v2.0.0 (2026-04-27)

• ⭐ 新增 D11 Skill 使用精度维度 (10%)
• ⭐ 新增 D12 交付满意度维度 (6%)
• ⭐ 新增 D13 自我纠错与成长维度 (5%)
• 🔧 权重大调整：OIT 68%→54%，LLI 32%→45%
• 🔧 难度体系重设计：Normal/Hard/Extreme 三级制
• 🔧 评分模型升级：多维评分（准确度+稳定性+效率+成长）
• 📝 题库扩展：80题 → 104题
• 📊 报告升级：新增难度热力图/稳定曲线/成长轨迹/对比基准线

v1.0.0 (2026-04-26)

• 初始版本：10 维度（OIT 8 + LLI 2）
• 单一难度分级（基础/进阶/专家）
• 基础评分引擎 + HTML 雷达图报告

---

OUA v2.0 | 步惊云 🐉 编制 | 2026-04-27