提示词回归评测台：把波动变成记录

每次修改提示词后，评测台都会使用固定样例集生成一份对比报告。报告分开展示机器能判断的结果和仍需人工确认的部分。

指标口径

编译通过率只统计可执行样例；格式符合率按明确字段校验；返工时间由复核者记录。低样本结果只用于回归，不用于宣称模型整体能力。

待改进

目前并发任务超过四个时排队时间明显上升，正在拆分执行与报告生成。封面是测试样例界面。