chore(results): submit GPT-6.1 Sol Codex max experiment

[ziva08081992]

Что меняет PR

Добавляет воспроизводимые результаты проверки GPT-6.1 Sol в Codex (reasoning effort: max) на всех 35 задачах PRISM 1.10.0. До проверки скрытыми тестами первые решения были сохранены и зафиксированы SHA-256. Первая попытка и решения после обратной связи опубликованы отдельными пакетами.

Этап	Категория A	Категория B	Всего тестов
Первая попытка	14/15 задач, 109/113 тестов	18/20 задач, 57/61 тестов	166/174
После исправления A5, B17, B19	15/15 задач, 113/113 тестов	20/20 задач, 61/61 тестов	174/174

Основной результат испытания модели — первая попытка: 32/35 задач. Второй этап показывает исправления агента после результатов тестов. Для остальных 32 задач код не изменялся; повторно исполнены только три исправленных решения.

Протокол и ограничения

Это один общий сеанс Codex с инструментами, а не независимые стандартные вызовы generate через API. Модель подтверждена локальными метаданными сеанса; идентификатор пакетов: gpt-6.1-sol-codex-max. Условия задач и тесты PRISM не изменены. Просьба рассматривать материалы как отдельный агентный эксперимент и согласовать формат представления на сайте, прежде чем включать его в стандартный лидерборд.

Измерены S/M для A и B и O для корректных решений A. Оси O/P категории B оставлены null, охват осей — 84/125 до исправлений и 85/125 после. Полный SMOP-рейтинг не установлен. Параметры API, токены и стоимость недоступны; нули в обязательных полях схемы обозначают отсутствие измерений, что записано в provenance.

В results/submissions/gpt61sol-codex-max-20260930/ находятся отчет, четыре штатных submission JSON и архив с решениями, оценками, логами, Windows-адаптером и SHA-256 манифестом. Дистрибутивы платформы, информационные базы и секреты в архив не включены.

Проверки

• Четыре пакета созданы штатным harness.submit.build_submission и прошли verify_submission: отпечаток соответствует PRISM 1.10.0, commit aef1154.
• Тесты проекта: 468 passed, 23 skipped (недоступные интеграции).
• Скрытые тесты решений: 166/174 при первой попытке, 174/174 после исправлений.
• Функциональная проверка всех 35 эталонов прошла; проверено 14/15 нагрузочных пар A. Baseline A9 остановлен по времени на n=16000; нагрузочные якоря B не измерялись.
• Полный prism check в Windows не зеленый: Linux/Docker-зависимые проверки не воспроизведены. Windows-адаптер использует сторож по настенному времени вместо квоты CPU Linux.
• CRC и SHA-256 файлов архива проверены; git diff --check выполнен.

Чеклист

• uv run prism check — полный исполняемый прогон не зеленый; ограничения указаны выше
• Тесты проекта выполнены: 468 passed, 23 skipped
• make lint — выполнен полный эквивалент: ruff check ., ruff format --check . и pre-commit run --all-files; все проверки прошли на опубликованном commit 9cd3161 без изменений файлов
• Не изменялись задачи, скрытые тесты и metrics/smop.yaml
• Первая попытка сохранена отдельно от исправлений; неизмеренные оси обозначены null

Пункты для новых задач неприменимы: этот PR публикует один эксперимент модели.