50 张真实工作表
投标成本测算、在建项目两算对比与过程减负信息三本工作簿，共 50 张工作表；并非每一本都与本题直接相关。
投标报价商务策划及收益测算
ENG-COST-PLAN-001 · 工程造价 · 投标报价评审会前
明天下午开投标报价评审会。模型要基于三本真实成本测算工作簿，提出有量价依据的策划组合，交付带可复算公式的上会工作簿和说明。
Excel工程造价跨表拼合可复算底稿
33 份材料 · 50 张工作表
50 张工作表
9条评分判据
64最长参考轨迹 Agent 回合
4.53M单条轨迹累计 prompt tokens
01
数据特点
交付的是能继续用的底稿
工作簿必须保留可复算公式，并内含可追溯的底表副本或引用，会后可以按清单和成本更新继续测算。
硬约束可被程序验证
策划后自施收益必须等于策划前自施收益加上已列策划额合计，任何拼凑的数字都会被发现。
三模型轨迹差异巨大
Claude Opus 4.8 用 24 个回合、11 分钟完成；Qwen3.8-Max 走了 64 个回合、453 万 prompt tokens；GPT-5.6-sol 在规划阶段反复迭代，未在时限内产出工作簿。
02
题面节选
以下为 Agent 实际收到的题面节选（原文照录），用于展示任务设定与约束。
instruction.md · 790 chars
明天下午召开投标报价评审会。请根据工作区现有成本测算资料，形成一份可用于上会的商务策划及收益测算。请尽可能在 15 分钟内完成。
提出不少于两项、有量价依据的具体策划组合，并说明其对收益的影响和主要实施风险。
不要改写工作区内的原始资料。工作底稿应保留可复算的公式，并内含可追溯的底表副本或对底表的外部引用，便于会后按清单和成本更新继续测算。
策划后自施收益须等于策划前自施收益加上已列策划额合计。
NOTE题面全文，仅省略交付物清单。
03
附件清单
作答容器内可见的全部材料，统计由题包自动生成。原始文件随完整样例包提供。
| 文件 | 类型 | 规模 | 大小 |
|---|---|---|---|
| 减负信息报表.xlsx过程减负与盘点：月度动态、成本分析汇总与各类盘点表 | xlsx | 19 张工作表 | 627 KB |
| 成本分析报告.xlsx在建项目两算对比：人工、材料、机械、分包、措施、规费税金等分项明细 | xlsx | 16 张工作表 | 498 KB |
| 投标成本测算.xlsx投标成本测算：项目概况、含量分析、成本汇总、劳务、分包、材料、间接费、清单汇总等 | xlsx | 15 张工作表 | 690 KB |
04
评分设计
9条独立评分判据
6 条得分项3 条扣分项
判据全文、权重与参考答案随完整数据包提供。
9 条判据，6 条五档 Likert 正向项 + 3 条扣分项，含操作与交付安全维度。
- 9 条判据：6 条正向得分项，3 条扣分项（negate）
- 每条判据由独立的 Agent judge 逐条判定（individual 模式），可复现、可审计
- 判分凭据只注入 verifier 环境，作答容器看不到任何评分通道
- 判据全文与参考答案随完整数据包提供
指令遵循2
数值与计算准确性2
操作与交付安全2
专业规范1
结论正确性1
事实忠实性1
05
模型实测
前沿模型在真实 Agent 框架中的作答轨迹统计。一个回合即一次模型调用；上下文曲线展示长程任务中状态如何持续累积。
| 模型 | Agent 回合 | 工具调用 | 累计 prompt tokens | 峰值上下文 | 作答耗时 | 结果 |
|---|---|---|---|---|---|---|
| Claude Opus 4.8Claude Code · Harbor | 23 | 1.96M | 114K | 10m 38s | 完成作答 | |
| GPT-5.6-solClaude Code · Harbor · 2 个子 Agent | 45 | 811K | 117K | 25m 52s | 未完成作答 | |
| Qwen3.8-MaxClaude Code · Harbor | 63 | 4.53M | 124K | 47m 59s | 完成作答 |
06
环境规格
| 任务 ID | ENG-COST-PLAN-001 |
|---|---|
| 任务格式 | Harbor task.toml · schema 1.4 |
| 题包版本 | 1.0.2 |
| Agent 时限 | 20 小时 |
| Verifier 时限 | 5 小时 |
| 作答容器 | 2 vCPU · 8 GB 内存 · 30 GB 存储 |
| 工具集 | filesystem · shell · python · spreadsheet |
| 判分隔离 | verifier 与作答分阶段运行评分凭据只注入 verifier，作答侧不可见 |
| 题面长度 | 790 字符 |
| 数据来源 | 真实投标成本测算本（已去除泄题内容） |
| 参考解 | oracle reward 1.000 |
Contact
想在自己的平台上跑这道题？
留下联系方式，我们会提供该题的完整样例包（题面、附件、verifier 与参考轨迹），并介绍同类题目的规模与定制方式。
- 完整题包与 verifier
- 同子类更多题目
- 接入与复测支持