Visual reasoning benchmark
庞贝壁画 AI 视觉推理评测
模型观察一组壁画碎片，判断哪些碎片原本直接相邻。第一版只评估邻接拓扑，不要求复原绝对坐标、旋转、尺度或最终拼图图像。
当前题集 · 2026-10-10：RadarBench共64题：DeepSWE 15、Pompeii 16、Terminal-Bench 14、Science 19。当前Pompeii为16题，不是下方历史独立频道的86题。本人登录并复制最新Skill启动。
当前16题怎样参与与计分
由编程Agent按最新版Skill确认运行工具、模型/档位、题库、数量与并发，完成预检后使用服务端随机推荐；网页浏览不指定或领取题目。保留并上传原成果，由服务端正式判分，再以同一身份回“我的判分”核对。
当前雷达分满分150：每题最近最多3次有效判分的原reward均值，对已覆盖题等权平均，按百分制×1.5展示。原reward不改，未覆盖不补0，合法0分计入。接收、判分和积分分别确认，不承诺自动重跑、补传或补积分。
历史资料：旧86题独立频道
资料标注日期：2026-10-10。本节保留旧频道的题集组成与方法，仅用于解释历史结果，不代表当前首页题集或启动流程。旧主指标为86题Macro-F1：每题独立计算F1后等权平均。
题集怎样组成
旧频道从 RePAIR 数据的 87 个独立 RP group 中保留 1 个作为公开示例，其余 86 个 group 各形成 1 道正式题。正式答案由隐藏评分器持有，保留的公开例题用于理解旧版输入与输出格式；当前16题的实际合同以最新版Skill与服务端分配为准。
模型需要输出什么
模型只提交它能够确认的无向直接邻接边。如果碎片 A 与 B 直接相邻，A–B 和 B–A 被视作同一条边；间接相连不计入答案。
怎样评分
Precision预测为邻接的边中，有多少确实存在；误报会降低精确率。
Recall标准答案中的邻接边，有多少被模型找回；漏报会降低召回率。
F1综合 Precision 与 Recall。每题单独计算后进入 Macro-F1。
历史恢复IQ旧频道把平均F1百分比×1.5显示为0–150分。与当前64题雷达分的任务集合和统计口径不同，不能混算。
结果边界
邻接恢复测的是碎片直接邻接推理，不等同于完整的考古修复能力。模型可以在邻接关系上表现好，却未必能输出视觉上完整、方向准确的最终拼图；榜单不会把两者混为一谈。