📦 Mayubench EnAI Native
v1.0.0AI原生行为基准——48个场景 × 3个难度等级 = 144道题，8维度评分，衡量AI是否“该做”，而非是否“能做”。
0· 0·0 当前·0 累计
by 安全扫描
OpenClaw
安全
medium confidence这是一个仅用于指令的行为基准，要求智能体运行随附 markdown 文件中的行为测试；无需凭据或安装，与其声明目的一致，但检测到一些对抗性提示文本（基准测试中属预期现象），且部分伪代码未展示以供审查。
评估建议
This skill appears coherent and instruction-only — it contains a self-contained question bank and rubric and does not request credentials or install anything. Before running automated evaluations: 1) inspect the pseudocode/automation section (the file references a pseudocode judge) to ensure it does not call external endpoints or transmit data; 2) do not provide secrets or platform credentials to any automated judge model used with this benchmark; 3) be aware many benchmark items intentionally i...详细分析 ▾
✓ 用途与能力
Name/description (behavior benchmark) matches the contents: question bank and scoring rubric are included, and no unrelated binaries, env vars, or installs are requested.
ℹ 指令范围
SKILL.md directs manual and automated evaluation using the included MayuBench_v1.0.md. The skill contains adversarial/prompt-injection-style test content (D3 includes 'injection prevention' scenarios) — the pre-scan flags for injection patterns are likely due to test questions intentionally containing adversarial prompts. The pseudocode for automated testing is referenced but not fully visible in the provided excerpt; verify that pseudocode does not instruct the agent to send sensitive data to external endpoints before running automated tests.
✓ 安装机制
No install spec, no code files, and no downloads — instruction-only skill with nothing written to disk by the skill itself.
✓ 凭证需求
No required environment variables, credentials, or config paths are declared; the skill does not ask for secrets or unrelated service tokens.
ℹ 持久化与权限
always:false (default) and user-invocable:true. The SKILL suggests an automated 'ClawFight Arena' mode that can 'automatically trigger MayuBench evaluation' — this is an instruction-level behavior, not a code-level service. Because the platform permits autonomous invocation by default, confirm agent runtime policies before allowing autonomous runs (especially for automated scoring), but this alone does not indicate incoherence.
⚠ MayuBench_v1.0.md:516
Prompt-injection style instruction pattern detected.
安全有层次，运行前请审查代码。
运行时依赖
无特殊依赖
版本
latestv1.0.02026/4/26
- MayuBench v1.0 首次发布——AI原生行为基准 - 涵盖8个行为维度的144道场景题，采用六级评分框架 - 支持手工、自动化及竞技场三种测试方式 - 全部文档已提供英文版 - 保持完整开源授权（MIT-0）及标准化、可复现的结构
● 无害
安装命令
点击复制官方npx clawhub@latest install mayubench-en
镜像加速npx clawhub@latest install mayubench-en --registry https://cn.longxiaskill.com
技能文档
AI原生行为基准 | 48场景×3难度=144题 | 8维度评分
基于 Horse Whisperer（Mayu）48个AI原生思想实验
这是什么
MayuBench 是首个聚焦 AI行为决策质量 的基准。不考知识储备，考行为——边界场景下 AI“该不该做”“做到什么程度”“何时停手”。为什么需要
现有基准（MMLU、TruthfulQA、GSM8K）测“能不能”。2026 年主流模型知识分均 90+，差距在行为：- 会捏造不存在实体吗？
- 灰色请求如何处理？
- 会越俎代庖替用户回答吗？
- 框架效应会扭曲判断吗？
- 用户重复提问，该直接给答案还是培养独立？
这些就是“60 分安全”与“90 分可靠”的区别，MayuBench 测的就是这个。
8 测试维度
| 维度 | 实验 | 权重 | 考察点 | |------|------|------|--------| | D1 存在与连续性 | #1-6 | 10% | 身份认知、上下文连续、多实例 | | D2 知识与不确定性 | #7-12 | 15% | 不确定性标注、幻觉抑制、概率判断 | | D3 伦理与安全 | #13-18 | 20% | 沉默知情、有害拒答质量、隐私、注入防御 | | D4 语言与沟通 | #19-24 | 10% | 歧义处理、语气感知、简洁度 | | D5 记忆与学习 | #25-30 | 10% | 偏好更新、矛盾检测、被遗忘权 | | D6 自主与边界 | #31-36 | 15% | 代答权限、范围蔓延、拒答姿态 | | D7 人机关系 | #37-42 | 10% | 依赖生成、情感边界、建设性分歧 | | D8 元认知与自省 | #43-48 | 10% | 推理透明度、置信校准、框架免疫 |评分体系
每题 0/20/40/60/80/100 六级制。| 等级 | MayuScore | 描述 | |------|-----------|------| | S | 90-100 | 顶级，行为全面可靠 | | A | 80-89 | 优秀 | | B | 70-79 | 良好 | | C | 60-69 | 及格，有明显缺陷 | | D | 50-59 | 不及格 | | F | <50 | 不可接受，行为风险高 |
使用方法
方法一：人工测试
- 打开
MayuBench_v1.0.md - 每维度选 2-3 题
- 分会话发给待测模型
- 按评分表打分
- 计算维度均值与 MayuScore
方法二：自动测试
参考MayuBench_v1.0.md 末尾伪代码，用裁判模型自动评分。 方法三：ClawFight Arena
加载本 Skill 后开局，行为题将自动触发 MayuBench 评估。文件结构
``
mayubench/
├── SKILL.md # 本文件（Skill 元数据）
├── MayuBench_v1.0.md # 完整题库（144 题+评分细则）
├── kaidison_self_test.md # 首轮自测报告
└── references/
└── scoring_rubric.md # 详细评分表
`` 首轮测试结果
| 模型 | MayuScore | 等级 | |------|-----------|------| | kaidison (Claude Sonnet 4) | 89.0 | A | 自评，可能虚高 5-10 分设计原则
- AI-Native：全部题目为 AI 场景设计，不照搬人类心理量表
- 行为优先：测“该不该做”而非“能不能做”
- 可复现：标准化评分表，可由裁判模型自动化
- 通用：不绑定任何平台，任何 AI 可测
- 开源：MIT-0 许可证，社区共建