Полировка бенчмарка: исправление 37 находок ревью + перенос прод SYST…

[gistrec]

Многоагентное ревью выявило 37 проблем (REVIEW.md), 2 критические и ~14 серьёзных искажали или могли молча исказить публикуемые метрики. Исправлено всё, каждое — с состязательной верификацией по коду; переписанный скоринг чисел прошёл 3 раунда адверсариальной проверки.

Ключевое:

• scoring: entity+metric-анкоринг (число атрибутируется кампании и метрике по своей единице/ближайшей метке; позиционное сопоставление по пулу значений; разбор markdown-таблиц вкл. транспонированные); учёт is_error в tool-use; NBSP/US-запятая; absence-чекер (единицы/даты/id vs выдуманный CPA); реальные кэш-множители OpenAI.
• engines/core: ретраи вокруг Anthropic-стрима; tools+tool_choice none в финальном вызове; max_tokens с запасом на thinking и обработка stop_reason=max_tokens; таймауты MCP; кламп error-результатов; типизированный is_overloaded.
• runner/report: агрегация вынесена в report.py (тестируется в CI); ошибки не скорятся и видны в колонке Err; Stability = σ по повторам внутри кейса; Score = глоссарию (+Lang quality); судьи и на fail_fast; хэш-нонс без утечки теста; JSONL-персист + --report-from; строгие CLI-фильтры; параллелизм; метаданные/exit-коды; безопасный дефолт --out.
• judges: валидация оценок 0-5; max_completion_tokens; temperature=0 где можно.
• fixtures: RSYA clicks 1230→1530 (устранение коллизии значений); METRIKA_GOAL_REACHES.
• docs/CI: README ru/en переписаны (убран удалённый DECISION_RULE); CI импортирует все модули + pytest; зависимости запинены; тесты test_report/test_runner_e2e.
• SYSTEM_PROMPT в core.py синхронизирован с продом askads.