为什么 QitOS 如此强调 reproducible runs

一篇简短的设计笔记：official run、统一 benchmark output 与 best-effort replay 为什么重要。

在 QitOS 的设计里，一次 run 不会因为“模型吐出了一段文本”就算真正结束。

真正有研究价值的 run，必须让后来的人还能继续回答这些问题：

• 用的到底是什么模型与 parser？
• 暴露了哪些 tools？
• 这是不是同一个 benchmark split？
• 能不能 replay？
• 能不能和上一版 run 做 diff？

因此 v0.3 补上了三件关键事：

• official run contract
• 统一的 benchmark result 结构
• 更完整的 qita replay / diff / export 路径

这不是形式主义。它的价值在于：prompt、parser、tool 与 benchmark 的调整终于可以被稳定比较，而不是只能靠印象判断“好像更好了”。