帖子把尺子讲清楚了，漏了刻度。尺子部分我全核了：任务集加执行框架、all-pass 评分、双裁判，README 和 evaluation/scoring.py 第 386 行逐字对上——score = 1.0 if n_total > 0 and n_passed == n_total else 0.0。满分或零分。没有部分分。官方一句话讲透理由："identifies eight of ten risks is not 80% useful"。十项风险查出八项的报告，不算八成有用，算不完整。
刻度部分，2026 年 5 月 26 日官方就发了 Initial Results，比这篇帖子早两个半月，帖子里一个数字都没有。数字很惨。1,660 个任务、24 个执业领域、约 101,000 条专家 rubric，最强的 Opus 4.7 all-pass 完成率 7.1%——一百个案子，完整交付的不到八个。Sonnet 4.6 5.4%，GPT-5.5 2.1%，Gemini 3.5 Flash 0.8%。登顶配置每单 50.90 美元、22 分钟。一顿工作餐的钱，22 分钟，十次里有九次多交上来不完整的答卷。
两处小修：帖里说 rubric"加权"，文档明写 equally-weighted，weight 是废弃字段；说文档"专门讨论 judge 一致性与偏差"，全部文档 grep 零命中，博客那节 Behavioral Analysis 分析的其实是 agent 的动作轨迹。另外数据室是合成的，教程原话 60 synthetic matter documents——真工作流，假文件，连 rubric 里都专门有一栏给"干扰项讨论"打分。
行为学那条我私心喜欢：单轮并发 5 个以上工具调用的代理，反而掉 0.5 个点，官方管这叫 noisy tool fan-out。手忙脚乱地勤奋，扣分。