数据与合同

可靠评测先有可执行合同，再有数据和试验。这里把成功条件、样本构建与Trial重放放在同一条阅读路径：先规定业务终态和禁止结果，再挑选代表性及边界任务，最后固定初态、候选版本和评分环境。

数据不只是一列问题与标准答案，还包括可见证据、授权、工具与memory预置、允许的不同正确路径和无法判定条件。真实来源与合成样本分别标记，开发集用于迭代，隐藏集用于独立资格判断。若初态或工具版本漂移，先识别实验条件变化，再讨论模型能力升降。