Quantifying infrastructure noise in agentic coding evals

Agent 编程评测受基础设施配置显著影响——Terminal-Bench 2.0 上最宽松与最严格配置成功率差达 6 个百分点（p<0.01），排行榜上的「2 分领先」可能只是硬件差异而非能力差异。