[lanyue-llk]

目的

修正所有执行器共用的网络评测语义和已确认错误的 canonical 任务合同。修改以 lexmount fork 的 lex-main 为基线，已合并。

整体设计

flowchart TD
  D["canonical 任务合同"] --> C["端点、请求体、字段类型和事件顺序"]
  H["执行器提供的 HAR"] --> T["统一 trace 解析：空 HAR 也是合法输入"]
  T --> E["共享网络事件评测器"]
  C --> E
  E --> R["按原始验收条件输出 pass / fail"]
  P["正反回归控制"] --> C
  P --> E
  R --> B["browser-eval：证据、复核和报告"]

Loading

改动范围

共享问题	修复
动态字段和 POST 占位符	按实际输入解析 URL 与请求体要求。
网络事件选择	保留事件流顺序及显式 last_event_only 语义。
数组类型	验证元素类型和合同要求。
任务合同错误	修正已确认的端点、导航模式、用户组集合、仓库路径和路线方向。
空 HAR	解释为零个网络事件，交由 evaluator 正常判定失败。

正反控制覆盖尾随错误请求、动态字段变化、数组类型、路线反向和空 HAR。修复适用于所有浏览器；浏览器名称、轨迹和部署地址由 browser-eval 维护。

评测报告与版本

812 题全量轨迹重放报告 · 固定报告版本。

报告包含各方法的官方成绩、任务合同、逐题证据及已声明修正。报告使用自身冻结的评测器版本，具体版本由 browser-eval 的 evaluator-transition.json 和 dataset.json 绑定；本 PR 的最新合并提交与历史测量分开记录。

验证和依赖

• evaluator、迁移、API 和 dataset integrity 聚焦套件：1,862 passed。
• 本地可运行完整套件：5,739 passed、6,391 skipped、2 deselected；依赖 Docker、外部站点或 Hugging Face 数据的测试未计入可运行范围。
• 最新空 HAR 修复聚焦测试：10 passed；Ruff 和 diff check 通过。
• 合并 head：3f8e55934ea21fb32599e86242b89988902f3a0f。测试与自动 review 配置包含仓库测试工作流及 review 接入；此 PR 未提供 GitHub check 结果，以上数字来自已有本地验证。

#1、#2 已在 lex-main；已关闭 #4 的修复已收敛到本 PR。轨迹执行及报告维护见 browser-eval #32。

[lanyue-llk]

独立防作弊审查结论

已按“是否降低门槛、修改答案或为特定浏览器放行”重新审查最终 diff，并加入对抗用例。结论：最终 head 3f8e559 没有浏览器特判，没有降低评分阈值，也没有通过改答案让 Chromium/Moli 通过。

审查中确实发现并修复了三类会产生假阳性的共享问题：

• 动态值曾可从不可信的实际请求自绑定，现改为只从声明的可信响应事件或允许值绑定；
• 同一来源的多个字段曾可能跨两个物理响应拼接，现要求原子地来自同一事件；
• last_event_only 曾可能只在局部候选流上取最后事件，现固定在完整事件流中确定最终来源，并要求来源严格早于消费事件。

另外纠正了 task 760 把 Allentown 机场当作市区起点的问题；这是评测数据错误修正，不是放宽条件。Browser Eval 的旧报告仍绑定旧评测版本，不会把旧轨迹结果冒充为新合同结果。

验证：目标测试 45 passed；核心、数据完整性与 API 2355 passed / 3 skipped；Ruff、ty、diff check 通过。