作者修复持续数周的评测流程后重跑结果，发现高推理强度的收益此前被掩盖。
推荐理由：重跑后模型排名大体未变，但高推理强度的增益才正确显现，说明长周期智能体评测的基础设施漂移足以扭曲结论；复现与稳定性应先于榜单比较。
阅读原文