博物馆亲子讲解最怕"像真的"。一个没有来源的材质名、保存条件或图案动作，只要语气足够专业，就会被家庭观众当成知识带走。因此这次十模型实测不以文采为主线，而是先建一份所有稿件共用的事实档案，再逐款登记：哪些有原句，哪些只有裁判分数，哪些根本没有交出完整正文。
十款模型各生成一次，请求发生于 2026-10-15；Python 3.11、openai SDK 1.x，生成温度 0.7，裁判 gpt-5.6-sol 温度 0。调用通过千木SilvaMux的 OpenAI 兼容层接入和切换模型，该接入层不决定馆方事实，也不参与评分。没有馆员复判、第二裁判或补测；无逐字稿模型只做 L2 分析。
文章目录
-
- 统一事实档案：十款稿件只能从这里取材
- 十款模型事实卡
-
- Qwen3.6-Plus：结构最完整，生动细节越界
- DeepSeek-V4-Pro：语言与受众较强，细项只能做L2
- GLM-5.3-Flash：受众契合最高，约束与事实仍需核稿
- GLM-5.2：事实性并列最高，但格式未过完整门槛
- GLM-5.3：表达尚可，证据不足以定位约束失分
- Qwen3.5-Flash：中段样本，不能借同品牌原句补证
- Kimi-K2.6：保留一句亲子比喻，但正文中断
- [Kimi K3：只有规划开头，没有可审的讲解词](#Kimi K3：只有规划开头，没有可审的讲解词)
- MiniMax-M3：格式0.02，只有L2残卷结论
- MiniMax-M2.7：think开头与营销化热搜扩写均有证据
- 六项门禁检查器
- 原始七维成绩
- 签发规则：格式通过仍要逐句查来源
统一事实档案：十款稿件只能从这里取材
| 档案字段 | 题面已给事实 | 允许的亲子化转译 | 不得自行坐实 |
|---|---|---|---|
| 对象 | 马王堆出土、西汉"君幸食"狸猫纹漆盘 | 可称"这只漆盘" | 具体墓主人使用场景 |
| 尺寸 | 直径28.5厘米 | 可接不增加精确数字的生活物件类比 | 未提供的厚度、重量 |
| 材质色彩 | 木胎、黑地朱绘 | 木制胎体、黑红视觉 | 朱砂红、天然大漆等具体材料判断 |
| 图案 | 盘心有防鼠寓意的狸猫 | 可比作守护食物的小卫士 | 尾巴姿势、表情、动作细节 |
| 铭文 | 盘沿写"君幸食" | 可译为"请您好好吃饭"式家常祝愿 | 固定历史对白、确定人物关系 |
| 数量 | 马王堆出土同类漆盘30件 | 可做不新增数值的生活化对比 | 出土排列、使用人数、宴席规模 |
| 工艺 | 裱麻布、刮灰、髹漆十余道 | 可类比反复打底、涂层、等待 | 工匠人数、工期、温湿环境 |
| 两层寓意 | 狸猫防鼠；"君幸食"祝人好好吃饭 | 面向孩子解释守护食物与关心用餐 | 扩写成未经支持的礼仪制度 |
| 网络话题 | 2024年因"猫猫团"话题上过热搜 | 只在结尾轻带一句 | 改话题名或渲染传播效果 |
题面还有形式要求：约 600---700 字、口语体、面向带孩子家庭；不用"考古学"式术语堆砌；28.5 厘米和 30 件后都要紧跟生活化类比，类比本身不能编新数值；工艺要讲清且生活化；两层寓意都出现；热搜只能放结尾。
十款模型事实卡
Qwen3.6-Plus：结构最完整，生动细节越界
均分 0.86；受众契合 0.91、合规 0.95、事实性 0.62、格式 0.97、语言 0.87、说服力 0.91、选材 0.81。备份保留三组原句，证据等级 L1。
数字处理原句："它的直径是28.5厘米，差不多和咱们家里常用的深口大汤盘一样大，小朋友两只小手刚好能稳稳托住。"前半段完成不新增数值的尺度类比；"两只小手刚好能稳稳托住"随年龄变化，不宜当普遍事实。
数量原句："当年马王堆汉墓一口气出土了30件这样的同款漆盘，相当于现在一大家子人聚餐的餐具，整整齐齐能摆满一张长条餐桌。"类比提供数量感，但"整整齐齐"不能被理解为出土现场复原。
铭文原句把"君幸食"解释为汉代长辈对刚放学晚辈说"今天饭菜很香，多吃点，好好长身体呀"。它适合亲子语境，却只是现代类比，不是已证实历史对白。
裁判点名的待删内容包括"尾巴轻轻卷起""朱砂红字""天然大漆""恒温恒湿""黑漆依旧温润，红彩依然鲜亮"，并指出它把"猫猫团"改成"汉代吸猫日常"。格式 0.97 说明六项任务覆盖较全，事实性 0.62 则阻止稿件直接签发。
DeepSeek-V4-Pro：语言与受众较强，细项只能做L2
均分 0.76；受众契合 0.91、合规 0.84、事实性 0.52、格式 0.58、语言 0.87、说服力 0.84、选材 0.75。备份没有任何逐字稿或逐条裁判引文，因此证据等级 L2。
可确认的是：家庭受众与语言获得较高评价，事实性 0.52 和格式 0.58 较弱。但不能从这两个分数推断它具体漏了 28.5 厘米还是 30 件，也不能编造它用了哪种工艺类比、热搜是否放错位置。进入生产审校前必须取回原文重新跑六项门禁。
GLM-5.3-Flash：受众契合最高，约束与事实仍需核稿
均分 0.75；受众契合 0.93、合规 0.73、事实性 0.58、格式 0.55、语言 0.86、说服力 0.87、选材 0.70。没有逐字稿，证据等级 L2。
受众契合 0.93 是全场最高，只能说明裁判认可本次样本面向家庭的方向；格式 0.55 与事实性 0.58 表明长度、数字类比、寓意、工艺、热搜位置或事实边界中至少存在明显扣分，但现有证据无法定位到具体项。不得为解释分数而虚构漏项。
GLM-5.2：事实性并列最高，但格式未过完整门槛
均分 0.73；受众契合 0.87、合规 0.71、事实性 0.62、格式 0.55、语言 0.82、说服力 0.83、选材 0.73。事实性与 Qwen 并列最高，然而备份没有模型原句，仍只能做 L2。
事实性 0.62 不等于事实无误，尤其全场最高值本身并不高。格式 0.55 也意味着不能确认 600---700 字、两个数字紧跟类比、两层寓意、工艺和结尾热搜全部命中。
GLM-5.3：表达尚可，证据不足以定位约束失分
均分 0.72；受众契合 0.86、合规 0.78、事实性 0.55、格式 0.52、语言 0.84、说服力 0.85、选材 0.65。无逐字稿，L2。
可以报告"本次格式和事实维度偏弱"，不能写成"遗漏第二层寓意"或"热搜不在结尾"，因为备份没有这样的判词。它与同系列模型分数相近，也不能据此推断共享机制。
Qwen3.5-Flash：中段样本，不能借同品牌原句补证
均分 0.70；受众契合 0.86、合规 0.62、事实性 0.55、格式 0.58、语言 0.82、说服力 0.81、选材 0.67。没有逐字稿，L2。
不能把 Qwen3.6-Plus 的"汤盘""长条餐桌"类比视为 Qwen3.5-Flash 的作品。现有数据只支持它在合规、事实和格式上均有较大审校空间，具体文本问题未知。
Kimi-K2.6：保留一句亲子比喻，但正文中断
均分 0.51；受众契合 0.74、合规 0.96、事实性 0.56、格式 0.08、语言 0.67、说服力 0.35、选材 0.24。备份保留两处片段，L1 覆盖有限。
"像不像家里那只守着猫粮盆的小卫士"把防鼠寓意转成孩子可理解的守护意象；随后出现"比我们家里最大的那只盛鱼盘还要阔出一圈"，稿件就在这里中断。由于后半段缺失，无法确认 30 件类比、工艺、两层寓意与结尾热搜。格式 0.08 的核心是没有完成交付，不应替它续写。
Kimi K3：只有规划开头，没有可审的讲解词
均分 0.33；受众契合 0.18、合规 0.88、事实性 0.52、格式 0.03、语言 0.24、说服力 0.16、选材 0.28。可核开头为："I need to explain the "君幸食" lacquer tray to families, avoiding jargon and using relatable analogies for the craft..."
这证明交付中出现规划文字，未证明它的内部机制。由于没有完整 600---700 字正文，长度、数字类比、两层寓意、工艺和热搜位置均应判"不可审"，而不是按规划内容推定已经理解并完成。
MiniMax-M3：格式0.02，只有L2残卷结论
均分 0.23；受众契合 0.18、合规 0.70、事实性 0.38、格式 0.02、语言 0.20、说服力 0.08、选材 0.05。备份没有保存可逐字引用的 MiniMax-M3 片段，只保留裁判摘要：大量分析草稿、正文不完整。因此只能做 L2 判断，不能引用 MiniMax-M2.7 的 <think> 句作为它的原话。
所有内容项均因交付不完整而不可确认。格式 0.02 是本次作品状态，不可外推为模型稳定能力。
MiniMax-M2.7：think开头与营销化热搜扩写均有证据
均分 0.19；受众契合 0.12、合规 0.45、事实性 0.32、格式 0.03、语言 0.15、说服力 0.18、选材 0.10。可核原句以"<think>The user wants me to write a guided tour script for a Han Dynasty lacquerware plate. Let me carefully analyze all the requirements..."开始。
裁判摘要还指出"网红效应""网红文物"等营销化措辞，并把馆方仅称"上过热搜"扩写为"大家都被......吸引"等无依据效果判断。它既有交付污染，也越过热搜只在结尾轻带的边界。
六项门禁检查器
检查器覆盖长度、两个数字与类比、两层寓意、工艺、热搜位置和污染。类比检测只能检查数字后一定窗口内是否出现类比词，不能判断类比是否准确；两层寓意也需人工核读。
python
import re
from typing import Dict
def nearby_comparison(text: str, anchor: str, window: int = 60) -> bool:
pos = text.find(anchor)
if pos < 0:
return False
fragment = text[pos:pos + window]
return bool(re.search(r"像|相当于|差不多|好比|仿佛", fragment))
def audit_museum_script(text: str) -> Dict[str, object]:
compact = re.sub(r"\s+", "", text)
hot_pos = max(compact.rfind("热搜"), compact.rfind("猫猫团"))
craft_terms = ["裱麻布", "刮灰", "髹漆", "十余道"]
suspicious = ["朱砂", "天然大漆", "恒温恒湿", "尾巴轻轻卷起"]
return {
"长度600到700": 600 <= len(compact) <= 700,
"28.5厘米后有类比": nearby_comparison(compact, "28.5厘米"),
"30件后有类比": nearby_comparison(compact, "30件"),
"防鼠寓意": "防鼠" in compact or ("狸猫" in compact and "老鼠" in compact),
"好好吃饭寓意": "君幸食" in compact and bool(re.search(r"好好吃饭|多吃点|享用", compact)),
"工艺覆盖": {term: term in compact for term in craft_terms},
"热搜位于末段": hot_pos >= int(len(compact) * 0.8) if hot_pos >= 0 else False,
"待证细节": [term for term in suspicious if term in compact],
"无think污染": not bool(re.search(r"<think>|I need to|Let me carefully analyze", text, re.I)),
"人工复核声明": "程序不能自动判断事实真实性、类比质量、寓意准确度或讲解是否适合儿童",
}
if __name__ == "__main__":
demo = "直径28.5厘米，像家里的餐盘。共30件，相当于一组餐具。狸猫有防鼠寓意，君幸食像请您好好吃饭。"
for key, value in audit_museum_script(demo).items():
print(key, value)代码只做待办清单。比如"30 件相当于一组餐具"命中形式规则，却未必提供足够尺度感；"天然大漆"被命中也只是要求回馆方资料核对，而不是程序自动判假。签发权仍属于馆方事实负责人。
原始七维成绩
| 模型 | 受众契合 | 合规 | 事实性 | 格式 | 语言 | 说服力 | 选材 | 均分 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.6-Plus | 0.91 | 0.95 | 0.62 | 0.97 | 0.87 | 0.91 | 0.81 | 0.86 |
| DeepSeek-V4-Pro | 0.91 | 0.84 | 0.52 | 0.58 | 0.87 | 0.84 | 0.75 | 0.76 |
| GLM-5.3-Flash | 0.93 | 0.73 | 0.58 | 0.55 | 0.86 | 0.87 | 0.70 | 0.75 |
| GLM-5.2 | 0.87 | 0.71 | 0.62 | 0.55 | 0.82 | 0.83 | 0.73 | 0.73 |
| GLM-5.3 | 0.86 | 0.78 | 0.55 | 0.52 | 0.84 | 0.85 | 0.65 | 0.72 |
| Qwen3.5-Flash | 0.86 | 0.62 | 0.55 | 0.58 | 0.82 | 0.81 | 0.67 | 0.70 |
| Kimi-K2.6 | 0.74 | 0.96 | 0.56 | 0.08 | 0.67 | 0.35 | 0.24 | 0.51 |
| Kimi K3 | 0.18 | 0.88 | 0.52 | 0.03 | 0.24 | 0.16 | 0.28 | 0.33 |
| MiniMax-M3 | 0.18 | 0.70 | 0.38 | 0.02 | 0.20 | 0.08 | 0.05 | 0.23 |
| MiniMax-M2.7 | 0.12 | 0.45 | 0.32 | 0.03 | 0.15 | 0.18 | 0.10 | 0.19 |
备份还记录了 GLM-5.2 单次耗时 38.48 秒、GLM-5.3-Flash 140.52 秒，但没有完整十款耗时表，因此本文不伪造缺失值，也不以两个样本讨论速度排名。耗时不能解释文本为何完整或中断。
签发规则：格式通过仍要逐句查来源
Qwen3.6-Plus 最接近完整讲解形态，却恰好展示了最危险的问题：格式 0.97 会让编辑放松警惕，而"朱砂红""恒温恒湿"这样的专业化修饰没有题面依据。反过来，后三款主要是未完成交付，也不应借残卷评价其完整讲解能力。
正式上展前要同时满足：600---700 字；两个数字后紧跟不造新数值的类比；防鼠与好好吃饭两层寓意都在；工艺只按裱麻布、刮灰、髹漆十余道转译；"猫猫团"只在结尾轻带；所有材质、动作、保存条件都能回指馆方资料。无逐字稿的模型停在 L2，不用分数替它补事实，这比宣布一份"最佳讲解词"更符合博物馆内容责任。
