GPT-5.6 Luna
über codex-cli 0.144.5Modell + Harness
Lauf vom 18.07.2026
Format stimmt (2 von 2) — das Ergebnis selbst wurde nicht geprüft
2 Prüfungen im Browser nicht gelaufen
Bewertung nicht veröffentlicht
Archivierter Pilot · Historischer Run
Brand-Board
Visuelle Gestaltunggebaut von Claude Fable 5 über claude-code-cli 2.1.214 Modell + Harness
- Automatische Prüfungen
- Format stimmt (2 von 2) — das Ergebnis selbst wurde nicht geprüft2 Prüfungen im Browser nicht gelaufen
- Bewertungsmodell
- Bewertung nicht veröffentlicht
- Gestartet
- Dauer
- 131 s
Artefakt
Von agi.jetzt aus dem vom Modell erzeugten Artefakt gerendertOffline in einem isolierten Renderer aus der gespeicherten Datei gerendert (sha256 653ae33a54c0…). Die Datei selbst wird nicht ausgeliefert.
Gleicher Auftrag, andere Modelle
Seitlich scrollen. Jeder Lauf hatte eigene Laufzeit und Limits — vergleichen Sie die Artefakte, nicht einen Score.
Qwen3.8-27B
über ollama 0.32.15nur Modell
Lauf vom 03.09.2026
Format stimmt (2 von 2) — das Ergebnis selbst wurde nicht geprüft
2 Prüfungen im Browser nicht gelaufen
Bewertung nicht veröffentlicht
Automatische Prüfungen
Automatische Prüfungen an der gespeicherten HTML-Datei, ohne sie im Browser auszuführen. Prüfungen von Format und Vorhandensein sagen nichts darüber, ob das Ergebnis den Auftrag erfüllt.
| Prüfung | Art | Ergebnis |
|---|---|---|
| single_html5_filegenau eine HTML5-Datei | Format | Bestanden |
| viewport_metaViewport-Meta: 1 (erwartet 1) | Format | Bestanden |
| no_external_requestsSandbox nicht verfügbar — Rendering übersprungen | Rendering | nicht ausgeführt |
| renders_without_console_errorsSandbox nicht verfügbar — Rendering übersprungen | Rendering | nicht ausgeführt |
2 Prüfungen im Browser sind nicht gelaufen. Grund laut Protokoll: „Sandbox nicht verfügbar — Rendering übersprungen“.
Bewertung
- Deterministischer Wert
- Keine Note — geprüft wurde nur das Format, nicht das Ergebnis
- Bewertungsmodell
- für diesen Lauf nicht veröffentlicht
WarumDer v2-Eintrag des Bewertungsmodells nennt das getestete Modell als sein eigenes Bewertungsmodell und enthält keine Kriterien. Sein Wert wird deshalb nicht gezeigt — ebenso wenig der kombinierte v2-Wert, in den er einfließt.
Grenzen dieses Laufs
- 2 Prüfungen im Browser sind nicht gelaufen. Ob das Ergebnis im Browser funktioniert, wurde nicht automatisch geprüft.
- Keine ausgeführte Prüfung mit gezeigtem Ergebnis bewertet, was gebaut wurde.
- Für diesen Lauf ist keine Bewertung veröffentlicht. Es gibt deshalb kein Qualitätsurteil — nur die hier aufgeführten automatischen Prüfungen.
- Diese Einstellungen waren vorgesehen, wurden aber nicht erzwungen: Die Laufzeit wurde ohne sie aufgerufen.
- Nicht vollständig reproduzierbar; der erfasste Grund steht unter „Umgebung“.
Aufgabe
Brief (Runde 1)
Baue als EINE einzelne HTML-Datei (kein Framework, kein externes Asset, keine externen Fonts) ein vollständiges Brand-Board für Balkonknolle — eine App, mit der Stadtbewohner Hochbeete auf dem Balkon planen und bewässern.
Das Board präsentiert die visuelle Identität übersichtlich auf einer Seite und enthält:
- Die Wortmarke / das Logo, rein typografisch gesetzt (kein Bild-Asset), prominent platziert.
- Eine Farbpalette: mindestens 5 Farbfelder (z. B. Primär, Sekundär, Akzent, helles und dunkles Neutral) — jedes mit sichtbarem Hex-Wert und Rollennamen.
- Eine Typo-Skala: mindestens Display, Headline, Body und Caption mit Beispieltext, Schriftgröße und Schriftgewicht.
- Button-States: mindestens Default, Hover und Disabled eines Primär-Buttons (Hover über :hover tatsächlich sichtbar).
- Eine Beispielkarte (z. B. Produkt- oder Info-Karte), die Farben, Typo und Button im Zusammenspiel zeigt.
Stilvorgabe: Freundlich und organisch: satte Grüntöne (Blattgrün, Moos) mit warmem Creme und einem Beeren-Akzent, abgerundete Formen, große Radien, verspielte aber aufgeräumte Sans-Serif. Buttons weich und einladend mit deutlichem Hover-Hub.
Sauber gerastert, klar beschriftet, wie eine echte Marken-Übersichtsseite eines Studios. Responsive, kein horizontaler Overflow.Aus dem Aufgaben-Seed; die tatsächlichen Prompts ergänzen Ausgabeformat-Anweisungen und andere Formulierungen.
Umgebung
- Laufzeit
- claude-code-cli 2.1.214
- Ausführung
- Modell + HarnessDas Modell lief in einem Agenten-Harness. Das Ergebnis beschreibt Modell + Harness, nicht das Modell allein.
- Nominales Profil
- std-v1 · T=0.2 · seed 7331 · 1 Runde · keine Werkzeuge
- Profil angewendet?
- Nein — claude-code-cli wird ohne Temperatur-, Seed-, Token- oder Werkzeug-Einstellungen aufgerufen; die Werte sind das nominale Laborprofil.
- Reproduzierbarkeit
- nicht vollständig reproduzierbarReasoning-Default und Modell-Snapshot providerseitig veränderlich; CLI-Version erfasst.
- Laufzeitfenster (Runner-Uhr)
- 2026-07-18T18:16:38+02:00 → 2026-07-18T18:18:49+02:00
Herkunft
- Quellsystem
- agi.jetzt v2 (früheres Labor, importiert)
- Quell-Lauf
- 2026-07-18_fable-5_t04_s2_r3
- Status
- automatische technische Gates des v2-Labors bestanden („verified“)
- Lauf-Manifest (sha256)
- 7a53ba5a10979089b3c83332562e39d29c8797bd878f1aaa997bccdf391c6b73
- Artefakt (sha256)
- 653ae33a54c0d70b6d4f3796619e9e164f49b8f78f90dd223b9b114abb955df8
- Prüfungs-Version
- t04-checks-v2
Modell Die Modellkennung des Testprogramms entspricht Claude Fable 5 in unserer Modellliste (verifizierte Zuordnung).
Was dieser Lauf zeigt — und was nicht
Kein AGI-MaßDieser Lauf zeigt genau eines: was ein Modell aus einem präzisen Brief als einzelne HTML-Datei gebaut hat. Über allgemeine Intelligenz sagt er nichts.In diesem Lauf automatisch geprüft: Format stimmt (2 von 2) — das Ergebnis selbst wurde nicht geprüft · 2 Prüfungen im Browser nicht gelaufen.
Was der Aufgabensatz messen soll
- Artefakt-Erstellung nach präzisem Brief
- Befolgen von Anweisungen
- Statische Prüfungen der Datei (kein Funktionstest)
Nicht sein Gegenstand
- Allgemeine Intelligenz / AGI
- Agenten und Werkzeugnutzung
- Multimodale Eingaben
- Recherche/Retrieval
- Konversation
Veröffentlichte und nicht veröffentlichte Läufe
Wir zeigen 3 von 13 verifizierten Läufen dieser Aufgabe — von 3 der 5 getesteten Modelle.Nicht veröffentlicht: Claude Haiku 4.5 (3 Läufe; 0 von 2 Formatprüfungen bestanden); GPT-5.6 Sol (3 Läufe; 0 von 2 Formatprüfungen bestanden).Quelle: die Auswahl-Angaben der veröffentlichten Läufe. Sie zählen die Aufgabe über alle Varianten und kennen nur Modelle, von denen mindestens ein Lauf veröffentlicht ist.