1029 个任务来自 36 篇论文的 387 个实验，每个配 5 个人工验过的参考分数，乘出来 5145 个锚点，这比 76.4% 涨到 92.6% 更能说明活儿有多重。跨模型差距从 21.6 个点收窄到 3.9 个点，四个模型全过 90%，被拉齐的是散在论文、代码和附录之间的流程细节，谁补上谁就考得过。Agent 每次都开全新会话，原始代码和精炼制品各跑一遍，不让上一轮的经验串过去，这个隔离设计比分数本身更该抄。论文里有个例子比百分比好玩，某次测量原本复现出 19.70，补齐判据、输出映射和重复次数后变成 55.66，论文值 58.6。省了 19.7% 的 API 开销这句得挂个脚注，省的是下游复现的花销，造那份精炼制品本身的钱另算，4.7 节说要靠反复复用才摊得平。消融里拆掉代码和环境掉得最狠，倒是印证了那句老话，最难复现的向来是环境。审计员自己也会看漏，作者换了两个再跑一遍，方向没翻。下一根钉子是复用次数，摊平线画在第几次。