提交 Benchmark

• 目标仓库：PenguinHarness Benchmark
• 标准格式：RFC-0001 Benchmark

提交流程

1. 学习 RFC 文件结构：先阅读 RFC-0001 Benchmark，了解 packages/<benchmark-id>/、<task-id>/（statement/、rubric/、task_config.toml）、benchmark_config.toml 以及可选 data/<benchmark-id>/ 的组织规范。
2. 提出 Issue：在 PenguinHarness Benchmark Issues 中搜索是否已有对应 Benchmark 的 Issue；若没有，则新建一个 Issue 说明要整理的 Benchmark 来源与题目规模。
3. Issue 评论区占坑（可选）：在目标 Issue 评论区留言认领（占坑是可选步骤，主要是为了防止多人同时整理同一个 Benchmark 撞车）。
4. 提交 PR：按 RFC-0001 完成 Benchmark 转换与自测（提交时 benchmark_config.toml 的 status 设为 "draft"），提交 Pull Request 并关联 Issue。
5. Maintainer 审核合并：等待 Maintainer 审核题目描述、评分标准与配置完整性；审核通过后将 status 更新为 "published" 并合并入库。

推荐验证指导与参考样例

• 推荐验证模型与指标：完成 Benchmark 整理后，推荐使用 DeepSeek Flash 模型重复运行 $k=3$ 次来验证题目是否可解、评分器是否稳定且具备区分度，可选报告 pass@k。
• 记录模型版本号：若一并提交基线验证结果，使用 deepseek-flash 这类模型时必须在 model_name 中注明具体版本号（例如 deepseek-flash-1017）。
• 参考样例：
  • 通用评测基准样例：penguinharness-benchmark-sec-a（Data Analysis Bench 子集）至 penguinharness-benchmark-sec-e（Terminal-Bench 子集）。
  • 自进化训练/测试配对样例：GDPevo-essential 的训练包 penguinharness-benchmark-gdpevo-crm-train 与测试包 penguinharness-benchmark-gdpevo-crm-test。

格式示例

1. Issue 示例

标题：[Benchmark] Add <benchmark-id>: <Benchmark 名称>

### Benchmark 简介
- **Benchmark ID**: `<benchmark-id>`
- **上游来源 / 论文**: <链接>
- **题目数量**: <N> 道题
- **评测方式**: Harbor Docker 沙箱 / Rubric 评分

### 整理计划
- [ ] 整理 `packages/<benchmark-id>/benchmark_config.toml` 与各题 `<task-id>/`
- [ ] 整理 `data/<benchmark-id>/` 原始数据（如需要）
- [ ] 使用 `deepseek-flash-1017` 验证题目可正常执行并完成计分

2. Issue 评论占坑示例（可选）

我来认领这个 Benchmark 的整理工作，预计在 YYYY-MM-DD 前提交 PR。

3. PR 示例

标题：feat(benchmark): add <benchmark-id>

Closes #<issue-number>

### 变更内容
- 新增 `packages/<benchmark-id>/`，包含 `benchmark_config.toml` 及 <N> 道题目的 `statement/`、`rubric/` 和 `task_config.toml`
- （可选）新增 `data/<benchmark-id>/` 存放原始任务数据

### 自查清单
- [x] 目录结构与字段符合 RFC-0001 Benchmark 规范
- [x] `benchmark_config.toml` 中 `status` 已设为 `"draft"`
- [x] 已使用 `deepseek-flash-1017` 验证题目可正常执行并完成评分