前言¶
在 DeepSeek Harness（DSH）里换模型、换推理档位，往往要靠零散对话主观感受，很难在同一套任务上横向对比「能不能交付产物、答得对不对」，也很难把 TTFT、TPS、工具节奏等日常指标汇成一张可读的榜。社区插件 dsh-model-radar（模型雷达 / Model Radar）把两类能力收进一个整页控制台：参照公开四题制式的 150 分模型智商评测，以及基于本机 DSH 会话日志的 0–1000 真实性能评分。评测在隔离会话与子智能体里跑，自带排行榜、批次历史与设置，不依赖其它插件，也不会改动宿主的模型配置。
这是什么¶
dsh-model-radar 由维护者 Chip-G0202 发布，在 Skillhub 目录中归类为「模型推理」。当前仓库版本为 0.1.0，代码与文档采用 MIT 许可；运行要求 DSH >=0.2.2-rc.1（见仓库 package.json 的 engines 字段）。
一句话定位：手动勾选「模型 × 推理档位」，跑四道题（秦始皇 60、庞贝 45、鹈鹕 22.5、糖果 22.5），由裁判模型主会话汇总；另从本地会话日志统计性能分与分位数，并在 UI 中分视图展示。
核心功能¶
四题智商评测（满分 150）¶
四道题的题型与公开题面沿用 Codex Radar 的公开制式，判分逻辑与评测代码为本仓库独立实现，任务与评分版本为 mr-four-150-v2 / mr-rubric-150-v2。
| 题 | 权重 | 评分方式 |
|---|---|---|
| 秦始皇（qin） | 60 | 裁判 rubric（100 分）+ 核心关系门槛，再折算 |
| 庞贝（pompeii） | 45 | 程序判分：邻接边 F1 × 100 再折算 |
| 鹈鹕（pelican） | 22.5 | 裁判 rubric 14 项，再折算 |
| 糖果（candy） | 22.5 | 程序判定答对 100、答错 0，再折算 |
每次批次中，裁判模型担任会话主模型；各待测组合以子智能体在全新会话与独立工作目录中执行任务，结果回传后主模型写批次汇总。庞贝、糖果由程序自动判分，秦始皇、鹈鹕由裁判模型按 rubric 打分。
运行机制与调度¶
- 侧边栏进入「模型雷达」整页，在「开始评测」弹窗中按 provider 分组选择模型，展开推理档位 chips 多选。
- 组合数不设上限；并行由
maxParallelModels控制（默认可配置 1–8，README 示例默认最多 3 条模型车道），同一模型的档位与四题在车道内串行。 - 裁判模型单独选择（provider → model → effort）；底部显示
N 个组合 × 4 题 = M 次运行。
界面视图¶
插件提供四个主视图（排行榜、性能、历史、设置），CSS/SVG 自绘，支持插件内亮/暗主题切换并写入 localStorage。
- 排行榜：速览（本轮最高、总分排行）、综合推荐（质量/速度/成本/稳定加权，权重可在设置页调整）、档位雷达热力矩阵、批次趋势与明细；可打开模型明细抽屉查看四题 tab、裁判理由与产物预览。
- 性能：今日/本周/本月/全部范围；0–1000 分与 7 维指标（输出速度、首字延迟、思考速度、工具节奏、工具耗时、工具成功率、缓存命中）；报告仅在切到该视图时加载（60s 内存缓存 + 会话日志折叠缓存）。
- 历史：批次列表；中断可续跑、定向重跑组合×题目；
interrupted/stopped/partial有明确标注。 - 设置：并行数、组合上限、自动重试、裁判与受控测速、超时与裁判尝试次数、推荐权重、批次保留与汇率等，写入
<dataDir>/settings.json。
评测隔离与防透题¶
每个候选运行为独立 root 会话，独立随机临时目录；工具白名单与路径围栏限制读写范围；批次运行中对部分路由剥掉分数与产物。运行结束后写入 run.detail.isolation（clean / blocked / suspect）。README 也说明：候选 bash 在宿主 danger-full-access 下，字符串围栏与审计属于检测与降风险，而非密码学级隔离。
性能报告口径¶
性能分来自本机 DSH 会话日志，不限于模型雷达批次；所选范围内每个模型 × 档位约需 20 条请求才显示稳定分，样本不足会标注。雷达评测会话会记入排除集合，避免自举污染。
安装与启用¶
已抓取资料中未给出固定的 CLI 安装命令行原文。获取插件请以目录页与仓库说明为准：
- 目录页：https://www.skillhub.cn/plugins/Chip-G0202/dsh-model-radar
- 源码与文档：https://github.com/Chip-G0202/dsh-model-radar
安装或加载前请确认本地 DSH 版本满足 >=0.2.2-rc.1，并阅读 MIT 许可与仓库源码。插件在本机 DSH 进程权限下运行，涉及子智能体、文件工具与 bash，启用前应自行评估信任边界。
典型用法¶
下面步骤对应 README 中的主流程，在宿主已正确加载插件的前提下操作。
- 打开 DSH 侧边栏「模型雷达」，进入整页控制台。
- 点击「开始评测」，按 provider 展开目标模型，勾选要测的推理档位；在弹窗底部选择裁判模型的 provider、model、effort。
- 确认底部显示的「组合数 × 4 题」后启动；运行中可查看各模型车道进度，必要时使用停止。
- 跑完后在「排行榜」查看总分、档位矩阵与综合推荐；点选某行或矩阵格进入模型明细，查看单题分数、裁判理由与产物（SVG/PNG/HTML 等）。
- 若要对比日常体验，切换到「性能」视图选择时间范围，查看 0–1000 分与 TTFT/TPS 分位数、会话速度榜。
- 中断或部分完成的批次，在「历史」或最新批次面板使用「继续运行」；需局部复测时使用定向重跑，勾选「组合 × 题目」。
设置页中的 maxParallelModels、autoRetries、单题/单批超时等改动保存后立即生效；若批次已在运行，部分项会提示下一批生效。
适用场景与注意¶
适合谁：需要在同一套四题任务上对比多模型、多推理档位交付质量；同时希望把本机真实会话的延迟与工具表现汇成可读报告，而不是只看单次聊天观感。
使用时需知：
- 跑批次会消耗候选模型与裁判模型的 token；费用按插件内置价目表估算展示，不代扣费、不上传账单。
- 缺产物（无
result.svg/index.html/model_answer.json等）记为no-artifact，组合总分置空，与答错区分。 - 耗时、TPS 不计入智商分；超时、上游错误、裁判 JSON 失败等可按
autoRetries用全新会话重试。 - 旧评分版本批次与
mr-four-150-v2不混用；旧批次不再显示续跑按钮，需新建批次。 - 运行中禁用或重载插件会把批次标为「已中断」并记录原因。
结尾¶
dsh-model-radar 把 codexradar 式四题 150 分评测与 Agent Speed 启发的 0–1000 性能分收进 DSH 插件内，强调隔离跑题、自动与裁判混合判分，以及可续跑、可定向重跑的批次管理。若要查看界面截图与完整评分 rubric、围栏规则，请阅读仓库 README。
