两条都来自 2026-08-15 自己踩的:

① 跑批跑到一半我改了服务端源码 → dev server 重启,请求全断(terminated /
   fetch failed),而 runner 把它算成"用例没通过" —— 输出读起来和模型退化一模一样。
   ⇒ 接口错误单列、不进通过率分母,并直接提示"服务是不是中途重启了"。
   一轮都没判成时退出码 1 并写明"本次结果作废"。

② 3 轮的 1/3 让我判成"模型判不准",干净重跑 10 轮是 9/10 —— 同一个行为。
   ⇒ rounds < 5 时输出一行:这个数分不出"判不准"和"运气差",⛔ 别据此改提示词。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>