> OIT 测智商天花板 · LLI 测工程地板 · OUA 看全貌 · v2.0 偏落地
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 | |
|---|---|---|
| -- | ------ | ------ |
| 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) |
OUA v2.0 = OIT (智商天花板 8维) + LLI (工程地板 5维)
总权重: 54% : 45%
> "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？" |
> "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？" |
| 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
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
| 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 |
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)
每维度 1-3 道 Normal 题，全 13 维度基本扫描。适合日常快速检测。
Quick + Hard 题，中等强度全面评估。
全部题目含 Extreme 级别 + 深度追问。完整评测。
只测 D9-D13（工程轨道），快速评估"靠不靠谱"。
根据目的选择 mode（默认 quick）。
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。
python scripts/score_test.py --input results.json --output report.html --mode full
HTML 报告包含：
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）
OUA v2.0 | 步惊云 🐉 编制 | 2026-04-27
共 1 个版本