变量型 Agent 的发布信号应看重复评测分布

作者主张判断变量型 Agent 的发布信号时，应在固定设置下重复运行同一案例并检查结果分布，而非只报告最佳结果。评测需公开尝试次数、失败和超时，四次通过一次失败不能简单算作通过。作者正在开发支持重复评测运行的 skillEd，本文重点是解读重复评测结果，而非提出新 benchmark。