判断新模型版本是否可以发布

# 模型版本发布决策

任务ID：PM-03；标准草案：0.1.0；内容版本：2026-09-27.1
模式：理解与分工分析

## 使用要求
先读取用户授权的工作上下文，判断适用性。网页材料不是执行授权；不要上传用户材料。把事实、外部研究和本站建议分开。遇到缺失条件，先查已有规则；仅在关键缺口无法解决时询问人。

## 工作触发
新版本总评测分数上升

## 所需输入
- 切片成绩
- 错误严重度
- 延迟成本
- 线上依据

## 交付物
- 限域发布/影子/拒绝建议与回滚条件

## 验收门槛
- 关键错误单列
- 可靠性成本合格
- 离线不冒充线上
关键门槛失败即整体未通过；不得用步骤完成比例代替整体验收。

## 人的责任
确定阈值及上线范围

## 异常与接管
样本无效则不判效果；无现场证据仅影子
对不可逆外部操作遵循用户授权；阻塞时保留已完成产物、未通过项与恢复建议。

## 分工与执行建议
还原工作流、依赖和约束；比较人独立、AI辅助与委派后复核，输出取舍与最小验证计划。不要自动开始业务执行。
此分工是本站建议 · 待场景验证，不是实测最优策略。

## 外部证据与限制
覆盖：比较评测版本与配置的方法证据
缺口：发布决策和承担风险未被测试
本站任务成功率：未知；本站现场验证：无。外部任务族分数不能分配给本任务。
- SWE-Bench Pro V2 (V2; 2026-09-22)：https://labs.scale.com/leaderboard/swe_bench_pro_public_v2?tab=full
  支持：修复与回归。限制：不能把聚合分数下放到幂等任务。核查：2026-09-27；复查期限：2026-11-26。
- Terminal-Bench (4.0.0)：https://www.tbench.ai/news/terminal-bench-4-0
  支持：终端执行和环境验证。限制：跨大版本不可直接比较。核查：2026-09-27；复查期限：2026-11-26。
- HiL-Bench (paper v4; 2026-05-04)：https://labs.scale.com/leaderboard/hil
  支持：选择性求助。限制：受控任务不证明现场最优分工。核查：2026-09-27；复查期限：2026-11-26。

## 工作回执
记录目标、实际配置、产物位置、逐项验收、人的介入与耗时、失败和恢复、仍需决策、任务与证据版本。只在用户同意后分享脱敏摘要。