实验对比

场景模板评测分析执行批次

适用任务

在同一题集内按模型、代码、配置与时间分别选取两组数据，先看共同题目的表现差异，再检查控制条件与逐题证据。

适合: 可独立用于按标准评测及实验结果分析；需要目标产品提供真实题集、标准、执行因素和评价成员。
主要风险: 示例为固定合成数据，只验证呈现、筛选和返回；不证明真实模型质量、服务端保存或严格归因。

体验意图

未标注意图；可按模板正文判断是否适用。

单独使用这个子页面

属于评测工作台。本页应用与审核 Prompt 只针对当前子项。

页面衔接

仅在本次采用范围与目标已有关系中使用以下规则。

选择题集后再筛选模型、代码、配置和执行日期，选择一个或多个匹配批次；结果基于实际选中成员。日期含时区，未知时间不由导入时间冒充。
数据集→审阅→标准达成→实验对比沿真实身份衔接；切换题集明确重置不适用条件，返回保持相容条件。
同一题集及兼容标准下比较两侧；批次是数据来源，比较目标是所选模型、代码或配置等分析维度。多个尝试的聚合与权重由目标产品说明，不能挑最好的一条。
配对评测、排行榜和标准达成各自保留真实评价语义，没有关系不制造联动。

这个模板提供什么

复用方式: 按场景调整信息结构与交互；可直接采用默认设计，视觉风格按需另选。
结构与交互: 提供布局与组件说明。
视觉设计: 提供默认视觉参数，可按项目品牌或明确选择的风格调整。
应用后检查: 提供本场景的操作检查。

交互预览

1 个

示例适用范围

复用任务结构、紧凑筛选和证据分层；示例数值与聚合方式不是目标产品默认。

参照页面

Video Arena · 实验对比
直接参照 · 真实界面 · 观察于 2026-10-27
在同一题集内按模型、代码、配置与时间分别选取两组数据，先看共同题目的表现差异，再检查控制条件与逐题证据。
需要公司登录权限；模板示例使用合成数据，不依赖来源网站访问。
来源为已部署2da8e38；公开入口实际操作，1440/390为同代码隔离浏览器观察。模板本身的新增合成示例另行验收。

按模板应用无需访问来源网站；需要研究未覆盖组件时，可从这些入口继续查证。

应用前了解

会改变什么: 在同一题集内按模型、代码、配置与时间分别选取两组数据，先看共同题目的表现差异，再检查控制条件与逐题证据。
数据条件与适用限制: 提供题集/标准身份、样本与批次关联、执行因素和真实评价；缺测按未知处理。

应用后的页面

主题

基于Video Arena已部署界面的场景视觉默认：中性画布、轻边线与紧凑控件；任务规则独立于可选视觉风格。；可选：采用控制台基线并保留项目品牌、按项目明确的设计约束调整

布局 · 实验对比

在同一题集内按模型、代码、配置与时间分别选取两组数据，先看共同题目的表现差异，再检查控制条件与逐题证据。

组件 · 共同题集

两侧共用题集及标准边界；不提供跨题集结果直接比较入口。

组件 · 双侧分析条件

每侧独立筛选分析维度、时间与匹配批次，来源批次显式可查；比较对象可跨多次执行，不能只提供两个批次名称。

组件 · 差异与配对

展示双方分母、共同已评题、完成率和变化；逐题列出改善/退步/不变，失败和未评不静默排除。

组件 · 可归因条件

描述性与受控比较分开，控制因素按相同/不同/未知展示；缺证列明影响和补证对象，不把未找到输入等同上游不存在。

项目覆盖

有效设计合并与冲突处理遵循 web-ui-workflows apply-ui-template；保留明确的项目约束与业务语义。评测对象、标签、指标口径、观看条件和提交契约由目标项目决定。

共同设计规则

默认视觉

EW-V01：中性画布与白色表面，浅灰细边线、8px圆角；不依赖密集黑框、渐变和大阴影区分区域。
EW-V02：系统无衬线，标题24px、正文14px/22px、辅助12px；技术值按需等宽，黑色主操作、蓝色链接与焦点，保留项目品牌。
EW-V03：桌面216px任务侧栏，主体24–32px留白；窄屏顶部完整场景/任务导航、主体16px留白，不用窄条强制拆字；长内容自然滚动。
EW-V04：同题候选/系列原片与标题保持对应，完整画幅不裁切；宽屏并排，窄屏纵向或明确的局部滚动。
EW-V05：展开标题、主体、嵌套项和末端属于连续区域；主体16px留白，多个组同时展开也能辨认归属。表格只在自身区域横向滚动。
EW-V06：紧凑选择控件由触发器、可搜索checkbox菜单与已选标签组成；宽窄屏选中和移除均易识别，checkbox/radio不套文本输入尺寸。深色仅为已有示例适配，不声称来自Arena深色实测。

共同交互

EW-I01：配对评测围绕同题上下文、两候选与判断展开；加载、不可评测和提交错误仍可见，成功回执后才推进。标签、候选集合、音视频观看条件与持久化契约由目标提供，模板不替换为来源网站的业务规则。
EW-I02：窄屏优先上下呈现两个候选，保持同题身份与完整判断入口；空间不足时用任务区滚动，不能以轮流隐藏一侧或裁切画面伪造同时可比。来源移动端的沉浸式布局可按目标导航、控制和文本任务作显式适配。
EW-I03：排行榜先给范围与结果，再提供方法；筛选实际更新数据。缺少可靠排名时保留真实不可排名原因，置信区间和影响结论的缺值不能为贴近外观而丢失。宽表在自己的区域滚动。
EW-I04：筛选提交和搜索选项分开，条件、成员、分母和结果一致；未应用修改要让读者知道，返回保留题集与范围。
EW-I05：数据集按题连续呈现输入和所选系列，审阅保留判据与修订，分析和比较沿真实身份接续；所有业务口径由目标产品提供。

应用后检查

两侧始终属于同一题集；切换题集清除不兼容选择；修改任侧后旧结果标记待更新，重新比较才替换。
从差异摘要找到逐题证据；相同、不同、未知因素可区分；无法控制其他因素时不会给出因果结论。
多批次及重复尝试的选择、配对和权重由目标产品声明；来源、共同题目和排除原因可核对。

Prompt 模板

1 条

中文默认

## 执行方式

本 Prompt 依赖 skill web-ui-workflows（公开仓 https://github.com/lindong28/lindong-skills 的 web-ui-workflows/ 目录）。若尚未安装，先 git clone 该仓库到独立目录，取得完整 web-ui-workflows/；可放到 Claude Code 的 ~/.claude/skills/ 或 Codex 的 ~/.agents/skills/，已有同名目录不直接覆盖。无论是否已安装，本次会话都先读取该目录 SKILL.md 及下方指定工作流的正文，按其中的依赖说明准备工具并执行，不等待宿主重新发现 skill。下方占位符表示尚缺输入，先复用对话已有信息，只向用户询问仍影响任务的缺项；无需用户预先安装作者的配置。

## 任务

使用 `web-ui-workflows apply-ui-template` 改进目标网页。

本次范围：只采用“评测工作台”中的“实验对比”子页面。读取该定义内的 suite_context，共同规则仅在本次目标有对应关系时适用；不因此新增整套页面。

模板：实验对比
模板定义：https://prompts.aiplanet.live/api/webui/v3/templates/evaluation-workspace/sections/controlled-experiment-comparison.json
目标仓库：[填写仓库路径]
目标页面：[填写 URL 或路由]
读者任务：[填写用户需要完成的事]

读取当前定义、示例和 evaluation-workspace profile，形成或复用本次有效设计。复用范围由 data-axis-owner="shell-pattern:controlled-experiment-comparison" 标记；保留目标产品的对象、版本、标签、观看条件和统计口径。

围绕“确认共同题集 → 选择分析维度 → 确认两侧批次成员 → 更新比较 → 核对条件与共同题目 → 查看改善和退步”检查实验对比。两侧使用同一套题目与标准版本；批次是数据来源，不替代模型、代码、配置等分析维度。

修改条件后标明尚未更新，阻止重复来源混入两侧。分别呈现描述性差异与受控归因的证据，未知字段不能当成相同；共同已评题、排除原因、重复尝试与统计口径可查。执行因素用表格展示，改善/退步可下钻到同题原片和评价。

从真实初始入口在宽窄屏实际使用，核对两侧成员、条件修改、更新比较、来源重叠、空范围、证据不足与逐题结果；示例为合成数据，不代表真实模型效果。报告采用范围、实际读数、合理例外与未核实项。

审核现有页面

只审核，不修改

## 执行方式

本 Prompt 依赖 skill web-ui-workflows（公开仓 https://github.com/lindong28/lindong-skills 的 web-ui-workflows/ 目录）。若尚未安装，先 git clone 该仓库到独立目录，取得完整 web-ui-workflows/；可放到 Claude Code 的 ~/.claude/skills/ 或 Codex 的 ~/.agents/skills/，已有同名目录不直接覆盖。无论是否已安装，本次会话都先读取该目录 SKILL.md 及下方指定工作流的正文，按其中的依赖说明准备工具并执行，不等待宿主重新发现 skill。下方占位符表示尚缺输入，先复用对话已有信息，只向用户询问仍影响任务的缺项；无需用户预先安装作者的配置。

## 任务

使用 `web-ui-workflows review-ui` 审核目标网页。

本次范围：只采用“评测工作台”中的“实验对比”子页面。读取该定义内的 suite_context，共同规则仅在本次目标有对应关系时适用；不因此新增整套页面。

模板：实验对比
模板定义：https://prompts.aiplanet.live/api/webui/v3/templates/evaluation-workspace/sections/controlled-experiment-comparison.json
目标仓库：[填写仓库路径]
目标页面：[填写 URL 或路由]
读者任务：[填写用户需要完成的事]

读取当前定义、示例和 evaluation-workspace profile，形成或复用本次有效设计。复用范围由 data-axis-owner="shell-pattern:controlled-experiment-comparison" 标记；保留目标产品的对象、版本、标签、观看条件和统计口径。

围绕“确认共同题集 → 选择分析维度 → 确认两侧批次成员 → 更新比较 → 核对条件与共同题目 → 查看改善和退步”检查实验对比。两侧使用同一套题目与标准版本；批次是数据来源，不替代模型、代码、配置等分析维度。

修改条件后标明尚未更新，阻止重复来源混入两侧。分别呈现描述性差异与受控归因的证据，未知字段不能当成相同；共同已评题、排除原因、重复尝试与统计口径可查。执行因素用表格展示，改善/退步可下钻到同题原片和评价。

从真实初始入口在宽窄屏实际使用，核对两侧成员、条件修改、更新比较、来源重叠、空范围、证据不足与逐题结果；示例为合成数据，不代表真实模型效果。报告采用范围、实际读数、合理例外与未核实项。

本次只审核，不修改目标产品；按当前定义列出未落实项及其实际影响。