没有一些评测效果吗

有，而且比你之前看的 README 多得多——官方有篇 arXiv 论文专门汇总了这些数据，标题是 Humanize: Judgement Engineering for Agentic Coding（arXiv 2610.）。要点： 形式化与竞赛类 benchmark - PutnamBench 672/672 全对 - Lean-Eval legacy 榜第一，251/303 通过官方 Comparator 检查，排在 AxiomProver、Aleph Prover、Aristotle、Seed Prover 这些专业队前面 - IOI 2026 六道题在 Codeforces judge 上全部满分 - IMO 2026 六题在 Lean 里全部形式化证明通过（两套配置：GPT-5.6 单模型双角色；Kimi K3 构建 + Codex 审查） - IPhO 2026 理论 30/30，IChO 2026 理论 418.5/437（金牌），IBO 题全对 - 注意：奥赛这几项是自评的（官方也承认 IBO 那次能看到答案），弱于 Lean 内核那种可核查的 orale 工程类实测 - Loom 布线器优化：180 秒预算内探索的候选数从 97,138 提到 227,777（2.34 倍），但有 4 个破坏 trace 等价的加速方案被回滚 - gem5 构建系统迁移：567 个文件、133 个 commit，用 CMake + Ninja 换掉 SCons，加 Bazel overlay；作者本地全量构建和单测验证过，但上游 CI 还没过，PR 仍在等维护者 review - KDA（Kernel Design Agents）：MLSys 2026 FlashInfer 比赛 Full-Agent 赛道，MoE 第一、DSA 第二、GDN 第三；团队报告 DSA 索引器 19.08 倍、DSA attention 4.54 倍、GDN prefill 1.92 倍，五个 kernel 里有两个仍慢于 baseline。消融实验（DSA 索引器、48 小时预算）：仅 loop 3.71 倍，加 KernelWiki 6.14 倍，再加 profiling skill 8.58 倍，K-Search 是 1.37 倍 自我暴露的局限 - 论文明确说这些是 observational evidence，不是受控对照实验，没有在同等预算下做"同一 builder 有 reviewer vs 无 reviewer"的对比 - 118 份公开 postmortem 里，45 份记录了 builder 虚报完成 - 循环收敛很差：93 份有轮次记录的 case 中位数 10 轮，最长 87 轮；区分阶段的 27 份 case 里，67.3% 的轮次发生在实现被接受之后的代码审查阶段，等于审查阶段失控 - PutnamBench 那次 98 题里 86 题是第一轮就过的，说明循环多数时候在确认而非探索 想要的话我可以把 arXiv 那篇的链接发你，或者你把 PDF 下下来传群里，我读给你看细节。