任务阶梯
十个场景，三个难度带，PASS = 2（完成且服务器已核实），PARTIAL = 1（工具家族对了， 结果不完整），FAIL = 0 —— 满分 20：
平局按 轻推次数 → 工具轮次 → 墙钟时间 打破，所以一次做对的模型会排在挣扎到同样
分数的模型前面。
带上你自己的模型
竞技场说两种方言 —— 本地 Ollama，以及任何兼容 OpenAI 的端点：arena-results/：一份 JSON、
完整的按场景记录，以及可分享的 arena-report.md。用下面命令生成排行榜图：
ARENA_TIER 给一次运行的模型打标签（SoTA / B-tier / local）；
ARENA_OUT 重定向输出；ARENA_MAX_ROUNDS 和 ARENA_SCENARIO_TIMEOUT_MS 限制跑飞
的模型；COMFYUI_DEFAULT_CHECKPOINT 钉死渲染用的 checkpoint（如果你的 checkpoints
目录第一个不是文生图模型，请这么做）。
要求：一台正在运行的、带文生图 checkpoint 的 ComfyUI（SD 1.5 就够 —— 场景按内容
核实，不按画质），先跑一次 npm run build，再加上 Ollama 或一把 API 密钥。
每次运行会记录什么
除了分数，每条排行榜记录还带上让结果能落地的那些轴（#792）：- 量化与参数量（Ollama
/api/show）以及常驻显存（/api/ps，在模型仍加载时 采样）—— 于是「我的 8 GB 卡到底能跑什么，q4 够不够？」可以从表里直接回答。把同一 模型按 q4 / q8 / fp16 跑完阶梯，能看出分数真正掉在哪。探测答不上来时这些字段留空 （托管端点没有对等物）—— 从不猜测。 - comfyui-mcp 版本，打在每次运行能读到它的条目上（读不到自己包版本的运行记成 未版本化，和打戳之前的运行一模一样）。工具面一变，绝对分数就会动，所以报告会把 混了版本（或未版本化运行）的排行榜标成不可直接比较。
- 失败时模型伸手去够的每一个工具，不只是成功的那些。当 2 个以上模型在同一场景 选了同一个错误工具后失败（且没有任何通过的运行用过它），报告会标出一个可疑场景 —— 全场选错是工具描述可疑，而不是能力缺口（先例：#557/#654，错的是我们自己的 措辞，不是模型）。在相信该场景分数之前先查描述。
当前排行榜
- gemini-3.1-pro-preview 是唯一每次都满分的模型（20-20-20）。
- claude-opus-4.8 和 gpt-5.5 都能到 20，但在其他运行里掉过一分。
- B 档离前沿只差一分 —— GLM-5.1（19-19-19，全场最稳的模型）、Kimi-k2.5 和 MiMo-v2.5 都是 19 —— 价格只是前沿的一小部分。
- 小型本地模型能过基础和 gauntlet 的一部分，但卡在 crucible 的节点图编排上； llama3.1:8b 完全握不住工具格式。
arena-report.md（和图）发到
GitHub discussion 或 issue，
并带上 GPU + 模型标签，好让结果可比较。
面板冒烟测试
竞技场分数证明的是无界面工具驱动；npm run smoke:panel 证明同一模型能在实时侧边栏
面板里活下来（流式、轮次门禁、桥接上的 6 工具路由器）。它为每个模型拉起一个独立
编排器、占用自己的端口，并驱动一轮真实对话：