21 个前沿模型实测：总体通过率 57.2%，Gemini 4 Argon 与 Muse Wonder 并列 82% 领跑

21 个前沿模型横向实测的总体通过率仅为 57.2%，每个模型各运行 45 次。Gemini 4 Argon 与 Muse Wonder 以 82.2%（37/45）并列领先，Claude Fable 5.1 以 75.6% 紧随；但 95% 置信区间较宽，其余 11 个模型均与领跑者重叠，没有模型明确领先。