Parsewave 发布 AutomationBench Verified，修复 210 个评分器问题

Parsewave 发布 AutomationBench Verified V0.0，对 Zapier 的 AutomationBench（commit 4a8e106）评分器做审计并应用修复，确认 210 个任务存在评分器问题，其中 197 个来自 600 个计分任务、13 个来自 200 个不计分的简单任务。审计先用 AI 智能体为全部 600 个计分任务编写对抗性测试答案，再人工复核被标记的任务。在 16,683 个本应失败的测试答案中，原评分器放过了 9,797 个（59%）；在 5,949 个本应通过的答案中，原评分器误判 1,919 个（32%）。数据集包含修复后的任务文件、grader/fixed_rubric.patch、210 份证据目录，以及 Kimi K3 在 206 个修复任务上原版与修复版各三次共 1,236 次运行记录。