petergpt/bullshit-benchmark：README 来源编辑指南

petergpt/bullshit-benchmark 的 README 将项目描述为"BullshitBench measures whether AI models challenge nonsensical prompts instead of confidently answering them, created by Peter Gostev."。本文只整理仓库能直接核验的内容，不把星标、Fork 或宣传语当成质量证明。README 在"README"下的说明是：BullshitBench measures whether models detect nonsense, call it out clearly, and avoid confidently continuing with invalid assumptions.。这给出的首先是项目边界，而不是已经完成的生产验证。

从 README 的"Latest Changelog Entry (2026-07-31)"和相关条目看，读者可以先判断它是否解决自己的具体问题：In v1, xhigh scored 0.9212 versus 0.5939 for none; in v2, xhigh scored 1.0700 versus 0.6600 for none.。如果你的目标与这段说明不一致，就不应仅凭项目热度采用它。这里保留原项目名、命令和组件名，方便回到一手来源核对。 README 还列出了另一条可核对的信息：Added the July 31 re-post-trained deepseek/deepseek-v4-flash-0731 revision to both published benchmark tracks at none and xhigh reasoning.。这类原文条目可以帮助读者设计试运行步骤，但不能代替自己的环境测试。

README 把工作方式分散写在"1. Detection Rate by Model (Main Chart)"等段落中。可确认的线索包括：Primary leaderboard-style view showing each model's green/amber/red split. The screenshot uses the viewer's 30-day new-model filter so recent additions remain legible.。这篇整理没有把未写出的架构、性能或安全边界补成结论；真正的运行链仍应结合仓库目录、配置文件和版本标签检查。

第一次安装应从 README 给出的入口开始。当前可复核的命令是： README 没有给出可直接复制的安装命令。 如果仓库没有提供命令，本文不会替它编造安装步骤，而是建议先打开 README 的"v2 Changelog Highlights"部分，确认系统依赖、默认端口和首次初始化动作。

日常使用的细节取决于项目实际文档。README 的"2. Domain Landscape"段落提到：Detection mix by domain to compare overall performance vs each domain at a glance.。对于配置文件、环境变量、权限和数据目录，当前稿只记录来源明确的部分；未写明的默认值必须在测试环境中验证，并保留可回滚的配置副本。 同一部分还提到：Appended 310 response rows and their canonical three-judge aggregate rows with no collection, grading, consensus, refusal, or identity errors.。