研究与基准测试/2026-10-30/20 分钟M4Bench 补充：证据包、输出粒度与 Claude 复现这篇续 M4Bench 全文，从附录 A 的必需输出起。补充材料给出疑似感染的推导演算、证据包核验，以及全覆盖 Claude 复现里按任务列出的技能差值。
研究与基准测试/2026-10-30/18 分钟M4Bench：临床病历派生智能体的技能增益有多大M4Bench 用 28 个临床派生任务看编码智能体能不能复现电子健康记录里的变量定义。Codex 上，技能把奖励提高 0.136，28 项里 26 项变好；但严格检查全部通过的有技能运行只有 25/280。八项任务的对照里，操作规范本身就能提高 0.162。
