研究与基准测试/2026-10-21/12 分钟CXBench：受监管客服里，结果对了仍可能违规（下）下篇从附录 D 续完：指标定义、基准构建、实验设置、分领域结果、规则失败、提交控制消融，以及专家对评判的校准比较。
研究与基准测试/2026-10-21/22 分钟CXBench：受监管客服里，结果对了仍可能违规（上）cxbench 把结果和过程分开打分。120 项任务、840 次执行里，55.5% 是结果通过但过程失败的 false-pass，只有 13.8% 两项都过。上篇含正文到附录 C。
