petergpt/bullshit-benchmark：README 來源編輯指南

petergpt/bullshit-benchmark 的 README 將專案描述為「BullshitBench measures whether AI models challenge nonsensical prompts instead of confidently answering them, created by Peter Gostev.」。本文只整理倉庫可直接核對的內容，不把 star、Fork 或宣傳語當成品質證明。README 在「README」下寫到：BullshitBench measures whether models detect nonsense, call it out clearly, and avoid confidently continuing with invalid assumptions.。這說明的是專案邊界，不是已完成的生產驗證。

從 README 的「Latest Changelog Entry (2026-07-31)」與相關條目，可以先判斷它是否處理你的實際問題：In v1, xhigh scored 0.9212 versus 0.5939 for none; in v2, xhigh scored 1.0700 versus 0.6600 for none.。若需求不同，不應只因專案熱度就採用。本文保留原始專案名、命令與元件名，方便回到一手來源核對。 README 另外列出一項可核對的資訊：Added the July 31 re-post-trained deepseek/deepseek-v4-flash-0731 revision to both published benchmark tracks at none and xhigh reasoning.。這類原文條目可用來設計試跑步驟，但不能取代實際環境測試。

README 將運作方式分散在「1. Detection Rate by Model (Main Chart)」等段落。可確認的線索包括：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.。本文不把未寫出的架構、效能或安全邊界補成結論；真正的執行鏈仍要配合目錄、設定檔與版本標籤檢查。

第一次安裝應從 README 指出的入口開始。目前可核對的命令是： README 没有给出可直接复制的安装命令。 如果倉庫沒有命令，本文不會自行編造步驟，而是建議先閱讀「v2 Changelog Highlights」，確認系統依賴、預設埠與首次初始化。

日常使用取決於專案文件。README 的「2. Domain Landscape」段落提到：Detection mix by domain to compare overall performance vs each domain at a glance.。設定檔、環境變數、權限與資料目錄只在來源明確時才會記錄；沒有寫出的預設值，應在測試環境驗證並保留回滾副本。 同一部分也提到：Appended 310 response rows and their canonical three-judge aggregate rows with no collection, grading, consensus, refusal, or identity errors.。