Benchmark

1. 企业真实任务 Benchmark源自真实业务的工作区任务与软件工程任务，配套可执行验证与评分标准。
2. RL 环境把旧系统与业务软件封装成可交互、可重置的沙箱，用于 Agent 长程评估。
3. 评测方法难度分级、防污染、可复现的评分流程，以及专家参与的 Rubric 设计。

三个方向均未发布。发布后只展示我们实际运行的结果，并公开评测协议。方法见研究笔记，开源工具见集识光年开源。