资料维护来源核查
DABstep区分已验证与未验证结果
对工作的影响
使用数据分析证据时，先核对榜单验证状态；继续按本地业务门槛验收，不因榜单维护状态改变委派范围。
原依据 / 条件
介绍页的早期结果容易被误作当前能力
新依据 / 条件
已验证榜单暂停新增验证；v2待发布
只引用具体结果状态和日期；没有取到可靠最新数值时保留原始入口。日期为本站核查日。
查看原始依据与限制 →变化记录
记录改变，也记录为什么改变
工作建议变化和资料维护分开记录。没有可比运行时，不把页面更新称为AI能力进步。
资料维护来源核查
营销自测保留可复核性缺口
对工作的影响
将营销供应商自测作为补充线索；验收标准不因自报分数而降低。等待可访问的任务和运行记录再评估支持力度。
原依据 / 条件
官网宣称任务、评分与原始运行已公开
新依据 / 条件
本轮访问所链仓库返回404
自测结果附明显限制，不升级为独立验证；后续重查公开资产。日期为本站核查日。
查看原始依据与限制 →资料维护评测修订
SWE-Bench Pro修订任务与运行协议
对工作的影响
在软件回执中记录V2与运行协议；与旧版比较前先检查任务集合和配置。
原依据 / 条件
旧公开集731题
新依据 / 条件
V2为642题，修正任务并锁定协议
开发任务保留基准版本。旧版与新版成绩分开解释，不自动认定能力回退或进步。
查看原始依据与限制 →工作建议变化新增工作流
OSWorld 2.0补充长流程与跨应用证据
对工作的影响
系统交接增加跨应用状态核对、部分失败与恢复检查；这是方法建议，不是现场成功率提升。
原依据 / 条件
主要参考单应用或较短操作任务
新依据 / 条件
新增108个长流程任务与整题/部分评分
企业交付页加入状态恢复、跨来源核对和最终验收要求，仍不宣称现场采用已验证。
查看原始依据与限制 →工作建议变化新增方法
失败诊断也有可引用的评测
对工作的影响
Agent失败后保留轨迹与根因判断，分别验收诊断是否正确、修复是否有效。
原依据 / 条件
仅从是否完成观察Agent表现
新依据 / 条件
引入失败定位与根因分类证据
DEV-04增加失败轨迹审查；诊断增益与修复完成度分开展示。
查看原始依据与限制 →