Own Web Fetch definitions and standalone evaluation

[lanyue-llk]

Summary

LexBench now owns the executable benchmark as well as its public task definitions. Move the task model, acceptance scorer, file-byte checks, scenario compiler, source bindings and regression cases from Browser Eval into this package. A saved response or delivered file can be evaluated without installing an execution harness.

Keep a single installed definition tree, preserve frozen historical bytes, and use the current access-restriction population. Public task projections retain reference hashes rather than captured bodies. Browser Eval imports this package at a pinned commit and removes its corresponding implementations in browser-eval#54.

Validation

• 1,203 tests and 76 subtests pass in the source checkout and an isolated wheel installation without Browser Eval.
• All 894 active scoring controls retain their previous outputs, excluding the relocated implementation fingerprint.
• Build the wheel from the source archive and verify its packaged files against the source tree.
• The standalone scoring CLI accepts structured answer metadata through --metadata, with paired link/resource acceptance scenarios, malformed-input rejection and protection against caller-supplied file verdicts. An independent session reproduced the original failure and confirmed this correction on head 522ede3e, with no remaining findings in this PR. Independent follow-up review.

[lanyue-llk]

本轮独立审查完成，固定 head 为 4df9b0ec80a1b9c46a5aeda96b0bbb9a019440fc，base 为 d4e5df35c3d91a2113813b775edcb463f95464dd。

发现 1 个本 PR 的 P2 问题：独立评分 CLI 缺少结构化回答元数据输入。同一份包含两条名称/目标配对的回答，Python 接口通过，CLI 因无法接收元数据而失败；已实际运行两条入口复现。

现场验证范围：

• 在本会话目录创建独立 checkout，读取准确 base/head 和完整 diff。检查独立性、任务模型、评分合同、文件字节验收、规则编译、输入校验/导出、冻结定义、源码指纹、CLI、文档及发布包。
• 源码 checkout：1,194 个测试和 76 个子测试通过。另从 source archive 构建 wheel，安装到独立环境，在源码目录外再次运行同一套测试：1,194 个测试和 76 个子测试通过；四个套件的 validate 全部通过。该环境没有安装 Browser Eval。
• 894 个有效评分场景分别运行 Browser Eval 拆分前 base 与本 head，完整指标和任务判定除源码指纹外全部相同；22 份迁移的冻结定义文件与 Browser Eval base 字节完全一致。
• Browser Eval 集成端完整 Python 测试为 5,391 通过、2,322 子测试通过、82 跳过、0 失败；基础包及三个可选安装组合的独立 wheel 冒烟测试均通过。

本轮验证使用仓库场景、合成证据和本地采集，没有重新认证全部历史第三方采集材料或进行真实供应商评测。除已定位的 CLI 输入问题外，没有发现其他需要修改的实质问题。没有提交、推送或合并代码；本轮不跟进后续新 head。

[lanyue-llk]

第二轮独立复审结论：上轮 CLI 元数据输入问题已修复，本 PR 没有剩余实质问题。

已从 GitHub 核对并固定审查 head 522ede3e54409be5ca40f4496eaf4ceaa3cb411d。新增 --metadata 读取 JSON 对象并交给原有 evaluate_response()，中英 README 的用法一致。独立重跑上轮复现：空正文加两条明确的名称/目标配对，现在 CLI 与 Python 接口完整结果相同，均为 passed=true、stable_record_count=2。

源码测试 1,203 项通过、76 个子测试通过；另从本 head 的源归档重建 wheel，安装到不含 Browser Eval 的独立环境，在源码目录外运行同一套测试，仍为 1,203 项和 76 个子测试通过，四个套件的 validate 全部通过。场景覆盖结构化链接和资源元数据的接受/拒绝、非对象 JSON 拒绝，以及不得通过元数据伪造文件验收结果；CLI 与 Python 接口的结果一致。

Browser Eval 关联边界测试 150 项和 68 个子测试通过，实际安装依赖和 revision 绑定均同步到本 head。集成端仍有一个历史路径问题，已在 browser-eval#54 单独复现和评论，不属于本包本次 CLI 修改。

本轮没有发现新实质问题。未重复第一轮未受修改影响的慢检查，未重新认证历史第三方采集材料或进行真实供应商评测。只使用本会话独立 checkout，没有修改、提交、推送或合并代码。