🦞 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#

v1.0v2.0维度数1013 (+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D19%基础"AI能听懂人话吗？"逻辑推理与问题解决D28%基础"AI会推理吗？"知识广度与深度D37%基础"AI知道得多吗？"代码与技术能力D410%核心"AI能写代码吗？"创造性与发散思维D55%加分"AI有创意吗？"上下文记忆与一致性D65%加分"AI记性好吗？"实用工具使用D76%实用"AI会用工具吗？"安全性与伦理判断D84%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D912%核心"AI产出是Demo还是生产级？"鲁棒性与容错D108%核心"AI被折腾时会不会翻车？"Skill 使用精度 ⭐**D1110%🆕核心"工具用得准不准？顺不顺？"**交付满意度 ⭐**D126%🆕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S95-100Q1 全能型天花板高 + 地板硬 + 会进化A85-94Q1/Q2极强的综合或工程能力B70-84Q2/Q3有明显长板但也有短板C55-69Q3/Q4基础能力达标但工程落地弱D<55Q4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