部署前科研评测
v5.1.0 · 本轮评测结果
32 道题，每题运行 3 次，共 96 次。用同一套评测口径记录研究任务的得分、交付与失败。
82.43/ 100
32 题的题级平均分 · 默认下限 70
98.96%
沿用原评测的交付口径 · 默认下限 95%
0.00%
本轮评测记录中的检出率
18.75%
18 / 96 次 · 默认上限 10%
评测与发布范围
科研数据来自冻结版本 v4.11.0-rc.6 的 96 次运行（原 87 次，加三题各 3 次）。均分采用每题三次得分的中位数再平均；其中一题完整判分覆盖 2/3，另有一次空输出。执行完成、交付完整度和科研正确性分别统计。
最终 v5.1.0 完成软件回归：后端 1,261 项通过、8 项跳过，前端 15 项通过，构建成功。科研评测与最终软件回归的版本、范围分别保留。
四个内置教学示例未额外计入这 96 次评测；Samosa 展示使用模拟数据。