四道可复现的题，物理引擎和隐藏测试当裁判，现场回放、直接比分
不是跑分榜：四道题，同一句题面、同一套规则，让不同 AI 各做一次，成绩由检查项算出来。
这里测的不是「谁更聪明」，是四道能复现的题：同一句题面、同一份沙盒、同一套规则，让不同 AI 各做一次。成绩由检查项算出来，不由评委给分——物理引擎复算能量、几何采样挑断轨、状态哈希验确定性、隐藏车型一轮比一轮重。
四道题各测什么：火箭着陆要写飞控，把超重型助推器从 3 公里高空夹回发射塔，20 个没见过的场景里最好 19/20、最差 0/20；云端过山车要自己做一款能玩的张家界过山车，裁判按弧长独立积分速度、按几何重算乘客 G 值；天坛祈年殿要在桌面沙盘上按清代官式做法重建 1889 年焚毁的那座殿，60 天的施工状态全由施工日算出来；造桥擂台在同一份 12000 预算里比谁的桥最能扛，隐藏车型逐级加压。
怎么读成绩：通过 / 没过 / 未评三种状态分开记，每题带规则版本与批次日期（火箭是 rocket-1.1）；一批只跑一次，没有第二次机会。计分口径、样本限制和「哪些数字是页面取值、哪些是外部依据」都写在测评方法里。
写飞控，把超重型助推器从 3 公里高空接回发射塔，用机械臂夹住
预算 12000 内设计一座最能扛的桥，隐藏车型逐级加压
自己做一款能玩的张家界过山车游戏，裁判按弹道能量和乘客 G 值独立复算
在桌面沙盘上，把 1889 年焚毁的祈年殿按清代官式做法重建到雪落蓝瓦
成绩只来自各题自己的检查结果，页面里的表由站内统一口径（site/hub/kinds.js）算出，不另算一份；一条点评对应一处证据，引用时请带上批次日期与规则版本。每批只有少量可比组合，样本不构成对模型的整体评价。
每题有固定的检查项与判分器：火箭数 20 个隐藏场景里夹住几次，过山车逐项判接口、几何、能量与乘客 G 值，天坛按 12 项达标，造桥取三种隐藏车型里最低的承载倍数。分数全由检查项算出，人只写点评。
一批只放当时可比的几个组合：同一份提示词、同一个沙盒、同一个裁判，一次跑完就封版；后来出的新模型另开一批，不回头改已发布的成绩，所以每个组合在一批里只有一次记录。
判分口径与规则版本都公开在测评方法里，成绩表逐项可查；参测作品只发布成绩、点评与回放画面，不公开源码，所以能复现判分逻辑，不能逐帧复跑别人的作品。
全部免费，不用注册，浏览器直接打开：回放是录制好的成片与数据，现场比分的表按题目切换，不安装任何东西。