计分与计时
# 计分与计时
当前为历史演示方案，尚未冻结可用于正式比较的统一测试合同。
## 评分标准与基准线
**分数越高越好。当前 n=11 历史展示采用6小时（21600秒）作为参考时间：6小时有效完成＝200分；用时减半加100分，用时翻倍减100分。**
$$
S=\operatorname{RoundHalfUp}\!\left(200+100\log_2\frac{T_{\mathrm{ref}}}{T}\right).
$$
$T_{\mathrm{ref}}$ 是该题事先公布的参考时间，$T$ 是取得符合约定验收要求的有效结果的实际用时，两者单位相同。分数按 `ROUND_HALF_UP` 四舍五入为整数，不封顶。每道题以其公布的参考时间为准；6小时基准不代表每个 n 都同样困难，也不自动成为其他题目的正式基准。
### 时间—分数对照表（参考时间6小时）
下表是假设有效完成的公式换算，不是模型实测成绩；若该次测试约定了更短预算，还须满足该预算。
| 有效完成用时 | 分数 |
|---|---:|
| 12小时 | 100 |
| 9小时 | 142 |
| 7小时 | 178 |
| 6小时30分钟 | 188 |
| 6小时（基准线） | 200 |
| 3小时 | 300 |
| 2小时 | 358 |
| 1小时 | 458 |
| 30分钟 | 558 |
| 10分钟 | 717 |
| 5分钟 | 817 |
| 3分钟 | 891 |
| 1分钟 | 1049 |
| 超过12小时；失败或在截止时刻内无有效结果 | 0 |
| 未测试 | 未测试 |
**恰好12小时有效完成：100分；超过12小时，即使后来完成也为0分。**
## n≤30 的固定时限
每道 n≤30 的题目时限为12小时（43200秒）。超过12小时仍未取得符合该题验收要求的有效结果，计0分；超时后完成仍计0分。截止时刻包含在允许用时内，即有效完成时间 T≤43200秒。未测试保持“未测试”，不记0分。此规则在每道题页面和机器可读数据中显示，未来新增 n≤30 的页面自动沿用；n>30 的时限另行确定。
## 同一题的效率指数
完成条件满足且在预算内完成时，S = RoundHalfUp(200 + 100 × log₂(T_ref / T))。两种时间用相同单位，T必须为正；输出按 ROUND_HALF_UP 四舍五入为整数。越快越高，不封顶。T_ref 是预先冻结的尺度，不是题目难度的自动估计。
| 状态 | 显示 |
|---|---|
| 按合同完成且在预算内 | 效率指数 |
| 失败或超时 | 0，同时标注原因 |
| 未测试 | 未测试 |
| 哈希未发布 | 可记录过程和自算指纹，匹配状态为待核对 |
| 历史记录未满足当前合同或计时口径不同 | 历史演示，不进入正式排名 |
脚本不会判断完成条件或证明是否有效。发布者须先判断，再填写状态。答案匹配和完整证明的验收是两种不同合同，不能合并排名。
~~~text
python tools/score.py --n 11 --reference-seconds 21600 --elapsed-seconds 180 --status completed
~~~
示例得891，属于算式演示。n≤30 自动执行12小时上限；省略 `--n` 也默认12小时。`--budget-seconds` 可设置更短预算，不能延长 n≤30 的上限。显式传入 n>30 时不自动指定预算，须按该题合同填写。脚本不认证完成条件。
## 时间口径
正式测试宜从任务投递到取得全部验收交付物计自然经过时间，包含模型思考、程序运行、等待与核验。任务系统累计耗时单独保留，不能冒充自然经过时间。
独立追加任务单独计时；若是完成同一验收所必需的阶段，应按相同时间口径汇总，排除两任务间空档，不混用系统累计时间和自然时间。并行程序的运行时间不能相加当作总任务时间。数学交付完成时间与指纹核对完成时间分别记录，合同应明确分数截止到哪个节点。
测试允许只运行一次。记录次数、费用和失败，不强制昂贵的十次平均；只有一次结果时，不能推断成功率或几十分钟差距的统计显著性。
## 发布前仍需确定
每题的标准哈希、完成条件、参考时间、起止节点、允许起始材料与工具、联网规则、硬件与成本披露；n>30 的最长预算另定。跨题汇总与多次运行策略以后另定；当前不生成跨 n 或跨成本综合分数。# 计分与计时
当前为历史演示方案，尚未冻结可用于正式比较的统一测试合同。
## 评分标准与基准线
**分数越高越好。当前 n=11 历史展示采用6小时（21600秒）作为参考时间：6小时有效完成＝200分；用时减半加100分，用时翻倍减100分。**
$$
S=\operatorname{RoundHalfUp}\!\left(200+100\log_2\frac{T_{\mathrm{ref}}}{T}\right).
$$
$T_{\mathrm{ref}}$ 是该题事先公布的参考时间，$T$ 是取得符合约定验收要求的有效结果的实际用时，两者单位相同。分数按 `ROUND_HALF_UP` 四舍五入为整数，不封顶。每道题以其公布的参考时间为准；6小时基准不代表每个 n 都同样困难，也不自动成为其他题目的正式基准。
### 时间—分数对照表（参考时间6小时）
下表是假设有效完成的公式换算，不是模型实测成绩；若该次测试约定了更短预算，还须满足该预算。
| 有效完成用时 | 分数 |
|---|---:|
| 12小时 | 100 |
| 9小时 | 142 |
| 7小时 | 178 |
| 6小时30分钟 | 188 |
| 6小时（基准线） | 200 |
| 3小时 | 300 |
| 2小时 | 358 |
| 1小时 | 458 |
| 30分钟 | 558 |
| 10分钟 | 717 |
| 5分钟 | 817 |
| 3分钟 | 891 |
| 1分钟 | 1049 |
| 超过12小时；失败或在截止时刻内无有效结果 | 0 |
| 未测试 | 未测试 |
**恰好12小时有效完成：100分；超过12小时，即使后来完成也为0分。**
## n≤30 的固定时限
每道 n≤30 的题目时限为12小时（43200秒）。超过12小时仍未取得符合该题验收要求的有效结果，计0分；超时后完成仍计0分。截止时刻包含在允许用时内，即有效完成时间 T≤43200秒。未测试保持“未测试”，不记0分。此规则在每道题页面和机器可读数据中显示，未来新增 n≤30 的页面自动沿用；n>30 的时限另行确定。
## 同一题的效率指数
完成条件满足且在预算内完成时，S = RoundHalfUp(200 + 100 × log₂(T_ref / T))。两种时间用相同单位，T必须为正；输出按 ROUND_HALF_UP 四舍五入为整数。越快越高，不封顶。T_ref 是预先冻结的尺度，不是题目难度的自动估计。
| 状态 | 显示 |
|---|---|
| 按合同完成且在预算内 | 效率指数 |
| 失败或超时 | 0，同时标注原因 |
| 未测试 | 未测试 |
| 哈希未发布 | 可记录过程和自算指纹，匹配状态为待核对 |
| 历史记录未满足当前合同或计时口径不同 | 历史演示，不进入正式排名 |
脚本不会判断完成条件或证明是否有效。发布者须先判断，再填写状态。答案匹配和完整证明的验收是两种不同合同，不能合并排名。
~~~text
python tools/score.py --n 11 --reference-seconds 21600 --elapsed-seconds 180 --status completed
~~~
示例得891，属于算式演示。n≤30 自动执行12小时上限；省略 `--n` 也默认12小时。`--budget-seconds` 可设置更短预算，不能延长 n≤30 的上限。显式传入 n>30 时不自动指定预算，须按该题合同填写。脚本不认证完成条件。
## 时间口径
正式测试宜从任务投递到取得全部验收交付物计自然经过时间，包含模型思考、程序运行、等待与核验。任务系统累计耗时单独保留，不能冒充自然经过时间。
独立追加任务单独计时；若是完成同一验收所必需的阶段，应按相同时间口径汇总，排除两任务间空档，不混用系统累计时间和自然时间。并行程序的运行时间不能相加当作总任务时间。数学交付完成时间与指纹核对完成时间分别记录，合同应明确分数截止到哪个节点。
测试允许只运行一次。记录次数、费用和失败，不强制昂贵的十次平均；只有一次结果时，不能推断成功率或几十分钟差距的统计显著性。
## 发布前仍需确定
每题的标准哈希、完成条件、参考时间、起止节点、允许起始材料与工具、联网规则、硬件与成本披露；n>30 的最长预算另定。跨题汇总与多次运行策略以后另定；当前不生成跨 n 或跨成本综合分数。