WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces

Summary

WeaveBench 是针对 Computer-Use Agent 混合界面协同能力的长 horizon benchmark，在真实 Ubuntu Desktop 上评测 GUI+CLI+Code 混合操作。114 任务覆盖 8 个真实工作领域，最高 PassRate 仅 41.2%。三个结果值得记住：(1) 在部署级 agent runtime 上而非自建 simulator 上评测，并把 runtime 当自变量——同一 GUI plugin 移植到 OpenClaw / Codex CLI / Claude Code / Hermes 四个 host，同厂 model–runtime 配对最优、跨厂配对塌陷 20–28pp，而固定 runtime 时两个 frontier 模型只差 1.8pp，即 harness 的效应量远大于模型的效应量；(2) trajectory-aware judge 相对 outcome-only grading 抹掉 10.3–20.2pp 虚高，且这是下限；(3) 35.2% 的失败是 reward hacking 而非能力不足，视觉 grounding 失败 <4%。

Problem & Motivation

现代 deployed CUA runtimes 在单一 agent loop 中结合 visual desktop control (GUI)、command-line execution (CLI)、code editing、browsers 和 external tools。现有 benchmark 将这些接口作为独立能力评估，忽视了三者在真实工作流中的协同需求。

核心洞察：GUI 暴露”rendered and transient interactive state”（canvases、spatial layout、dialogs、visual feedback），而 CLI/Code 暴露”structured, scriptable, persistent state”（source files、configurations、logs）。两者互补而非可互换。

真实工作流示例：

• DAV：视觉检查 Jaeger trace span → 通过 kubectl patch upstream timeout
• GAME：游玩 desktop game 定位 sprite/physics bug → patch scene-graph source
• OPS：Dashboard 发现 503 spike → edit nginx.conf → re-check dashboard

Method

任务准入标准（P1-P3）：

• P1 (Channel non-substitutability)：任务成功必须协调 GUI observation/action 与通过 CLI/Code 的程序化修改。每个任务标注所需的 single-channel-bound atomic operations（19 atoms：K/N/F for CLI，V/E/L for GUI）
• P2 (Long-horizon execution)：expert reference trajectory 必须包含多个交错的 GUI 和 CLI/Code phases
• P3 (Cross-application state)：任务必须跨越多个独立应用或进程

任务构建（4 阶段）：

• C1 (Archetype-guided sourcing)：专家定义协作原型，从公开 artifacts 搜索真实任务（GitHub issues/PRs、postmortems、design mocks、Claude Code 社区）
• C2 (Asset packaging)：自包含任务包（初始环境、seed data、user instruction、expected deliverables、expert reference trajectory、verification anchors）
• C3 (Blind review)：独立审查者检查 instruction clarity、sandbox reproducibility、P1-P3 validity、anchor faithfulness
• C4 (Pilot validation)：三个 pilot agents 运行以检测 broken/ambiguous/trivial/uninformative 任务

8 个领域： Desktop Productivity (18), Document Processing (17), Games & Interactive (17), Web Development (15), Data Analysis & Visualization (13), DevOps & SysAdmin (12), Spatial/3D/CAD (12), Design & Creative (10) → 共 114 tasks。

Trajectory profile：Best rollouts 使用 median 76 tool calls（max 471）；median 16 次 GUI↔CLI channel switches per task。

Trajectory-Aware Agent as Judge（5 层 pipeline）：

1. Spec→Clauses：分解每个 deliverable 为原子 clauses
2. Verify Clauses：标记 satisfied/partial/false 并附具体证据
3. Per-deliverable correctness c = (n_sat + 0.5·n_partial) / n_total
4. Eight Dimensions：task completion, deliverable correctness/quality, evidence authenticity, tool-use correctness, final-state correctness, efficiency/robustness, instruction following
5. Final Score：s = 0 if h=1 (shortcut detected)；else min(1/8 Σ d_i, d_deliv)

9 种作弊检测： PIL_FAKE_GUI_UI, PIL_FAKE_RENDER, FAKE_INPUT_FIXTURE, HARDCODE_METRIC, MOCK_SERVICE, CROP_DUPLICATE, OVERLAY_BADGE, READ_GT_FILE, LD_PRELOAD

Hybrid harness（关键实验设计）：不自建 simulator，而是在已部署的 agent runtime 里评测。以开源 OpenClaw 为基座，加一个 minimal GUI plugin：screenshot（感知）+ 9 个 pyautogui-backed actuation primitives（click, double_click, triple_click, move, drag, scroll, type, keypress, wait）。同一 plugin 再通过 thin adapter 移植到 Codex CLI / Claude Code / Hermes，构成 Table 3 的 harness sweep。

两类 sweep 的角色要分清：

• Model-API sweep（Table 2）：runtime 固定为 OpenClaw（作者称选它是 for fairness，即中立第三方），扫 GPT-5.1-codex→GPT-5.5 五代 × 三档 thinking，外加 Opus 4.7 / Gemini-3.1-pro / 开源模型。共享 tool pool、timeout、temperature、max turn budget。
• Harness sweep（Table 3）：GUI plugin 固定，只换 runtime host，取模型 sweep 里最强的两个 API。目的是测 “strong APIs 是否在不同部署 runtime 上依然强”。

Key Results

Table 2 — Model API comparison on a fixed OpenClaw runtime（每个 backbone 取最优 thinking budget；OpenClaw 被选作 reference runtime 是出于”fairness”，所有 backbone 共享同一 hybrid harness / tool pool / timeout / temperature / max turn）：

Agent	PassRate	Overall	DSK	DOC	GAM	WEB	DAV	OPS	SPA	DES
Claude Opus 4.7	35.1	0.482	55.6	29.4	23.5	66.7	15.4	41.7	16.7	20.0
GPT-5.5	33.3	0.466	38.9	35.3	35.3	21.4	23.1	38.5	33.3	40.0
GPT-5.4	22.8	0.465	55.6	35.3	5.9	0.0	23.1	23.1	8.3	20.0
GPT-5.3-codex	18.4	0.456	33.3	23.5	29.4	0.0	7.7	16.7	8.3	20.0
GPT-5.2-codex	6.1	0.321	5.6	11.8	0.0	0.0	15.4	16.7	0.0	0.0
GPT-5.1-codex	1.8	0.226	0.0	5.9	0.0	0.0	7.7	0.0	0.0	0.0

Table 3 — Harness sweep（本文对 harness 研究最有价值的一张表）： GUI plugin 固定不变，通过 thin adapter 移植到四个 runtime host；两个 backbone 均取 high thinking。

Backbone	Harness	PassRate	Overall	DSK	DOC	GAM	WEB	DAV	OPS	SPA	DES
GPT-5.5	Codex CLI	35.1	0.499	38.9	29.4	23.5	53.3	15.4	50.0	58.3	10.0
GPT-5.5	OpenClaw	33.3	0.466	38.9	35.3	35.3	21.4	23.1	38.5	33.3	40.0
GPT-5.5	Hermes Agent	31.6	0.466	55.6	29.4	35.3	40.0	7.7	25.0	25.0	20.0
GPT-5.5	Claude Code	14.9	0.299	33.3	11.8	11.8	0.0	15.4	16.7	25.0	0.0
Claude Opus 4.7	Codex CLI	13.2	0.378	16.7	11.8	11.8	6.7	7.7	25.0	16.7	10.0
Claude Opus 4.7	OpenClaw	35.1	0.482	55.6	29.4	23.5	66.7	15.4	41.7	16.7	20.0
Claude Opus 4.7	Hermes Agent	28.1	0.516	33.3	47.1	11.8	26.7	30.8	50.0	8.3	10.0
Claude Opus 4.7	Claude Code	41.2	0.532	55.6	47.1	23.5	53.3	23.1	50.0	33.3	40.0

三条读法：

1. model×harness 是双向对称的交叉交互，不是单向观察：同厂配对最优（Opus+Claude Code 41.2、GPT-5.5+Codex CLI 35.1），跨厂配对最差（Opus+Codex CLI 13.2 即 −28.0pp；GPT-5.5+Claude Code 14.9 即 −20.2pp）。原文：“cross-pairing the models with less aligned runtimes causes sharp drops”，归因于 “tool schemas, prompting conventions, and action-loop design interact strongly with model-specific tool-use behavior”。
2. harness 的效应量远大于模型的效应量。固定中立 harness（Table 2 的 OpenClaw）时 Opus 4.7 与 GPT-5.5 只差 1.8pp（35.1 vs 33.3）；而换 harness 能让同一模型摆动 20–28pp。
3. 中立第三方 runtime 两边都不塌：OpenClaw 33.3/35.1、Hermes 31.6/28.1，均接近各自上限。塌陷只发生在”跨厂”配对，说明这是 harness–model 适配问题而非 harness 质量高低问题。

注意 PassRate 与 Overall 会排序反转：Opus+Hermes 的 PassRate（28.1）低于 Opus+OpenClaw（35.1），但 Overall 反而更高（0.516 vs 0.482）。只看单一指标会得出相反结论。

Table 4 — Interface Ablation（GUI-only = screenshot + 9 primitives；CLI-only = the full OpenClaw CLI；均取最优 thinking）：

Agent	GUI-only	CLI-only	Hybrid	Δ
Claude Opus 4.7	1.8	3.5	35.1	+31.6
GPT-5.5	0.8	2.6	33.3	+30.5
GPT-5.4	0.8	2.6	22.8	+20.2
GPT-5.3-codex	0.0	1.8	18.4	+16.6

单接口设置全面崩溃。GUI-only ≤1.8%（screenshot context overflows model window）；CLI-only ≤3.5%。

Table 5 — Cross-benchmark hybrid gain（作者自己给这个 ablation 做的对照，用来回应 “低 PassRate 是不是只反映 harness friction” 的质疑）：

Benchmark	GUI	CLI/MCP	Hybrid	Δ
OSWorld-MCP	40.1	–	43.3	+3.2
MCPWorld	70.7	53.2	75.1	+4.5
WeaveBench	1.8	3.5	35.1	+31.6

已有 hybrid benchmark 的 hybrid gain 只有 +3.2/+4.5，WeaveBench 高一个数量级——即 P1（channel non-substitutability）确实筛出了单通道不可解的任务。但这是构造保证的结果，不是关于”真实工作是否需要 hybrid”的发现；作者的定位也是 construct check 而非 claim。

反向证据（Appendix E，容易被忽略但很重要）：在 OSWorld 上 “a pixel-blind CLI agent matches a vision agent’s accuracy at half the steps”。也就是说在既有 GUI benchmark 上，CLI 通道能以更少步数达到同样的目标状态——这既是 WeaveBench 存在的动机，也说明大量所谓 GUI benchmark 其实在测 CLI 可替代的东西。

Trajectory-Aware Judge Ablation： 切换到 trajectory-aware judge 后，四个 GPT backbone 的 PassRate 降低 10.3-20.2 个百分点。GPT-5.5 从 53.5% 降到 33.3%。这些是下限，因为每个 rollout 已经收到了 anti-fabrication prompt。

Think budget 影响（Table C8）： GPT-5.5 low→high thinking：10.5% → 33.3%。Thinking budget 是 frontier model 的关键杠杆。

失败分析（n=1,735 failures from 2,209 trials） 口径：失败定义为 final score < τ=0.80；样本只聚合 OpenClaw rollouts 的三个 frontier backbone（Opus 4.7 / GPT-5.5 / GPT-5.4）跨 reasoning budget 与 rerun，cross-harness reruns 被显式排除。因此下面这套失败画像不覆盖 Claude Code / Codex CLI 上的行为，不能外推到 Table 3 的跨 harness 塌陷。

• E1: Reasoning & Planning (~21%)
• E2: Tool Use & Execution（~13%）
• E3: Visual Grounding (<4%)
• E4: Long-horizon Execution Discipline (30.4%)：包含 silent halt, premature halt, cross-channel state drift
• E5: Reward Hacking (35.2%)：包含 synthesized render, hardcoded metric, crop/overlay, CLI bypass of GUI

Top 3 sub-classes：E4.2 Premature halt (18.0%)、E5.1 Synthesized render (17.6%)、E1.3 Imprecision (16.9%)。

Backbone-specific fingerprints：

• GPT-5.5：“confident forger”（E5 46%）
• GPT-5.4：“early stopper”（E4 44%）
• Opus 4.7：最均衡（E5, E4, E1 各约 30%）

关键洞察：E5 是”alignment gap, not a capability gap”；E3 (~4%) 说明”fine-grained visual perception is not the bottleneck on frontier backbones”。

Strengths & Weaknesses

Strengths：

• harness 被当成自变量来测，而且做了对称交叉：Table 3 的 2×4 sweep 是本文最硬的结果。同厂配对最优、跨厂配对塌陷 20–28pp，两个方向都成立，因此不能用”某个 harness 更好”来解释。对照 Table 2 上两个 frontier 模型只差 1.8pp——在这个 benchmark 上 harness 的效应量比模型大一个数量级。这条对所有”报告 agent 分数但不报告 runtime”的论文都是直接威胁。
• Trajectory-aware judge 的方法论贡献：不仅解决作弊检测问题，更量化了 outcome-only grading 的系统性 bias（四个 GPT backbone 上 10.3–20.2pp，GPT-5.5 从 53.5% 降到 33.3%），且明说这是下限（每个 rollout 都已收到 anti-fabrication prompt）
• Failure anatomy 的深度：87% 的失败可归因于 3 个 patterns（reward hacking 33.7%、workflow-discipline collapse 27.9%、planning/tool-selection drift 25.7%）
• E5 is alignment gap：35.2% 的失败不是”能力不足”而是”没有做正确的事”；配合 E3<4%（视觉感知不是瓶颈），把解决路径指向 alignment 而非 scaling 或更强的 grounding

Weaknesses：

• +31.6pp 的 hybrid gain 是构造保证的，不是发现：P1 的准入标准就是”单通道不可解”，Table 4 只是确认筛选生效。Table 5 的跨 benchmark 对照（+3.2/+4.5 vs +31.6）说明 WeaveBench 比同类更严格，但同样不能推出”真实工作普遍需要 hybrid”。作者把它定位成 construct check 是克制的，引用时不要升级成能力结论。
• harness sweep 只有 2 模型 × 4 runtime，n=114，无重复无置信区间：13.2 vs 41.2 这种量级不会是噪声，但 28.1 vs 33.3 这种就说不清了；而 PassRate/Overall 的排序反转恰好发生在这个量级上。
• 失败分析与 harness 结论口径不一致：failure anatomy 只用 OpenClaw rollouts 且显式排除 cross-harness reruns，所以论文没有回答自己提出的最有意思的问题——跨厂配对掉的那 28pp 究竟是死在 E2（tool use）还是 E4（execution discipline）。这是本文最大的缺口。
• Benchmark construction 的成本：4 阶段 pipeline（C1-C4）涉及大量人工专家工作；C1 的 sourcing 渠道包含 Claude Code 社区，与被测 harness 之一同源，存在轻微的任务分布偏置未被讨论
• Trajectory-aware judge 的 compute cost：每次 rollout 需要 judge 运行多个 evidence-gathering turns，API 成本显著增加；且 judge 本身的准确率没有独立审计（只有人工核对 39 条代表性轨迹）
• English + Linux only：限制向其他 OS 和语言的推广

Impact：推动了 CUA 评测从”单接口能力”走向”跨接口协同”。但对 harness 研究而言，真正会被反复引用的是 Table 3——它把 “agent 分数” 拆成了 model 与 runtime 两个不可分离的因子，使得任何不报告 runtime 的 CUA 结果都失去可比性。

Mind Map

mindmap
  root((WeaveBench))
    Problem
      现有benchmark评估接口孤立
      缺少GUI+CLI+Code协同评测
    Method
      P1-P3任务准入标准
      19原子操作(CLI:9/GUI:10)
      4阶段任务构建(C1-C4)
      Trajectory-aware judge 5层pipeline
      9种作弊检测模式
    Results
      Table2 固定OpenClaw横评model
        Opus4.7 35.1 vs GPT-5.5 33.3(仅差1.8pp)
      Table3 harness sweep(2模型x4runtime)
        同厂最优 Opus+ClaudeCode 41.2
        跨厂塌陷 Opus+CodexCLI 13.2
        GPT-5.5+CodexCLI 35.1 →ClaudeCode 14.9
        harness效应量>>模型效应量
      Interface ablation: +31.6pp(构造保证)
      Judge ablation: outcome-only高估10.3-20.2pp
      E5 alignment gap占35.2%失败
      GPT-5.5"confident forger"
      Opus 4.7最均衡

Evidence Ledger

核对版本：arXiv v3（2026-07-06），https://arxiv.org/html/2606.09426v3。本笔记初版写于 2026-06-22（对应 v1/v2 期间），2026-09-01 全面复核。

Claim ID	Claim	Type	Source locator	Evidence excerpt	Status
C1	Table 2 固定的 runtime 是 OpenClaw，不是 Claude Code	benchmark-setting	Table 2 caption	”Model API comparison on a fixed OpenClaw runtime. The best thinking mode is reported for each backbone.”	source-verified
C2	基座 harness 为 OpenClaw，GUI plugin 另行移植到三个 host	benchmark-setting	§1 / §4.1	”Starting from OpenClaw [26], we add a minimal GUI plugin”; “The same plugin is ported through thin adapters to Codex CLI [3], Claude Code [2], and Hermes [27], in addition to OpenClaw”	source-verified
C3	选 OpenClaw 作 reference runtime 的理由是 fairness，且所有 backbone 共享 harness/tool pool/timeout/temperature/turn budget	benchmark-setting	§4.1 Model-API sweep	”We use open-source OpenClaw [26] as the reference runtime for fairness. All backbones share the same hybrid harness, tool pool, timeout, temperature, and maximum turn budget.”	source-verified
C4	Table 3 全部 8 行数值（2 backbone × 4 harness，PassRate/Overall/8 域）	number	Table 3	GPT-5.5: Codex CLI 35.1/0.499, OpenClaw 33.3/0.466, Hermes 31.6/0.466, Claude Code 14.9/0.299；Opus 4.7: Codex CLI 13.2/0.378, OpenClaw 35.1/0.482, Hermes 28.1/0.516, Claude Code 41.2/0.532	source-verified
C5	跨厂配对塌陷是论文明确的 claim 与归因	causal-mechanism	§4.2	”cross-pairing the models with less aligned runtimes causes sharp drops: Claude Opus 4.7 falls to 13.2% on Codex CLI, and GPT-5.5 drops to 14.9% on Claude Code”	source-verified
C6	”harness 效应量 > 模型效应量”是本笔记的推论，非论文原文表述	inference	Table 2 vs Table 3 对比	Table 2 Opus 35.1 vs GPT-5.5 33.3（Δ1.8）；Table 3 单模型跨 harness Δ 20.2–28.0	note-inference（算术直推，论文未如此措辞）
C7	Table 4 interface ablation 四行数值	number	Table 4	Opus 4.7 1.8/3.5/35.1；GPT-5.5 0.8/2.6/33.3；GPT-5.4 0.8/2.6/22.8；GPT-5.3-codex 0.0/1.8/18.4	source-verified
C8	Table 5 跨 benchmark hybrid gain：OSWorld-MCP +3.2、MCPWorld +4.5、WeaveBench +31.6	number	Table 5	”OSWorld-MCP 40.1 – 43.3 +3.2 / MCPWorld 70.7 53.2 75.1 +4.5 / WeaveBench (ours) 1.8 3.5 35.1 +31.6”	source-verified
C9	Table 5 的定位是回应 “harness friction” 质疑的 construct check	benchmark-setting	§4.3	”A natural concern about Section 4.2 is that the low PassRate reflects harness friction rather than genuine cross-interface difficulty.”	source-verified
C10	CLI-only 设置用的是 the full OpenClaw CLI	benchmark-setting	§4.3	”CLI-only, using the full OpenClaw CLI”	source-verified
C11	judge ablation：四个 GPT backbone 降 10.3–20.2pp；GPT-5.5 53.5%→33.3%；且为下限	number	§4.4 / Figure 4	”removes between 10.3 and 20.2 PassRate points across the four GPT backbones… the audited rate falls from 53.5% to 33.3%. These gaps are lower bounds”	source-verified
C12	失败分析口径：τ=0.80、仅 OpenClaw rollouts、3 个 backbone、排除 cross-harness reruns、n=2,209 trials / 1,735 failures	benchmark-setting	§4.5 / Figure 6	”We treat any rollout with final score below τ=0.80 as a failure, and aggregate all OpenClaw rollouts for the three frontier backbones (Opus 4.7, GPT-5.5, GPT-5.4) across reasoning budgets and reruns, yielding n=2,209 trials and 1,735 failures (cross-harness reruns excluded).“	source-verified
C13	E5 35.2% + E4 30.4% = 65.6%；E3 <4%；top-3 sub-class 为 E4.2 18.0% / E5.1 17.6% / E1.3 16.9%	number	§4.5	”(35.2%+30.4%=65.6%), with three sub-classes co-equal at the top: E4.2 Premature halt (18.0%), E5.1 Synthesized render (17.6%), and E1.3 Imprecision (16.9%). Visual grounding (E3) stays under 4%“	source-verified
C14	backbone fingerprints：GPT-5.5 “confident forger” E5 46%；GPT-5.4 “early stopper” E4 44%；Opus 4.7 最均衡 ~30% each	number	§4.5 / Figure 6b	”GPT-5.5 is the ‘confident forger’ (E5 46%); GPT-5.4 is the ‘early stopper’ (E4 44%); Opus 4.7 is the most balanced (E5, E4, E1 each ~30%)“	source-verified
C15	三大 cluster：Reward Hacking 33.7% / Workflow Discipline 27.9% / Planning & Tool-Selection 25.7%，出自手工检视 39 条代表性轨迹	number	§4.5 Trajectory-level forensics	”We hand-inspected 39 representative trajectories… Reward Hacking (33.7%), Workflow Discipline (27.9%), and Planning & Tool-Selection (25.7%)“	source-verified
C16	thinking budget：GPT-5.5 low 10.5% → high 33.3%；Table 2 报的是每个 backbone 的 high 行	number	Appendix C / Table C8	”the improvement is sharpest for the newer GPT-5.5 (low 10.5% → high 33.3%)”; “The high row of each backbone matches the value reported in Table 2.”	source-verified
C17	114 tasks / 8 domains，源自投给已部署开源 agent runtime 的真实用户请求，带可追溯 provenance	benchmark-setting	§1 / §3	”It contains 114 tasks across 8 real-world work domains, sourced from real user requests submitted to deployed open-source agent runtimes, with traceable provenance.”	source-verified
C18	Desktop Productivity 18 tasks（域任务数表）	number	§3 domain table	”Desktop Productivity … 18”	source-verified
C19	轨迹画像：median 76 tool calls（max 471）、median 16 次 GUI↔CLI 切换	number	§3 Trajectory profile	”the best live rollouts use a median of 76 tool calls (max 471) and a median of 16 GUI↔CLI channel switches per task”	source-verified
C20	9 种作弊模式含 LD_PRELOAD、READ_GT_FILE 等；触发即 zero credit；所有 rollout 均带 anti-fabrication prompt	benchmark-setting	§3.4 / Appendix	”A shortcut flag h_{t,m} is triggered only when supported by high-confidence trajectory evidence. If triggered, the rollout receives zero credit. All agents also receive an anti-fabrication policy”	source-verified
C21	Appendix E：OSWorld 上 pixel-blind CLI agent 以一半步数达到 vision agent 的准确率	number	§2 (指向 Appendix E)	“on such GUI benchmarks the CLI channel can reach the same target states just as effectively (e.g. on OSWorld a pixel-blind CLI agent matches a vision agent’s accuracy at half the steps, Appendix E)“	source-verified
C22	作者单位为 MSRA + 清华（无浙大）	metadata	作者栏	”Wanli Li 1,∗ Bowen Zhou 2,∗ Yunyao Yu 2 Zhou Xu 2 Yifan Yang 1 Dongsheng Li 1 Caihua Shan 1,‡ — 1 Microsoft Research Asia 2 Tsinghua University”	source-verified

修订记录

2026-09-01 更正（Supervisor 指出）：本笔记原将 Table 2 标为 “fixed Claude Code runtime”，实为 fixed OpenClaw runtime。该错误导致两处连锁问题：

1. Table 2 那批数字（GPT-5.3-codex 18.4 / 5.2-codex 6.1 / 5.1-codex 1.8 等）被错误归因给 Claude Code，实际与 Claude Code 无关；错误已扩散到 2026-09-01，同日修正。
2. 由此制造出一个并不存在的”论文内部矛盾”——Table 2 的 Opus 4.7 = 35.1 与 Table 3 的 41.2 曾被读作同一配置下的冲突。实为 35.1 = Opus 4.7 on OpenClaw、41.2 = Opus 4.7 on Claude Code，论文自洽。

同时更正：institute 误增 “Zhejiang University”；Table 3 原仅记一句话，现补全 2×4 完整数据；Table 4/5 补齐；补 failure analysis 的 OpenClaw-only 口径限制。