文件	说明
`trajectories/<model>__<action_space>.tar.gz`	每个 arm 一个包，包内路径 `<arm>/<task>/<run_dir>/…`
`index.csv`	370 行，一题一 arm 一行：得分、是否通过、步数、终止方式、失败桶、所在包与包内路径、截图张数
`VERSIONS.json`	执行条件与版本：模型、端点、动作空间、步数预算、上下文窗口、代码 commit 时间线、客机镜像哈希
`SHA256SUMS`	全部文件的校验和
`analysis/failure-case-study.html`	166 次失败的归因分析与案例研究（单文件，图片内嵌）
`analysis/failure-case-study-md.zip`	同一份报告的 Markdown 版，含 `failure-case-study-img/` 图片目录

解包：tar -xzf trajectories/gpt-6-astra__pyautogui.tar.gz

5 个 arm 与通过数

共同条件：每题最多 100 步，上下文窗口为最近 5 步，max_tokens 16384，reasoning effort high。 Sonnet 经 OpenRouter 调用，GPT 两个模型经 TokenWave 中转调用。逐 arm 的细节见 VERSIONS.json。

每个运行目录里有什么

文件	内容
`trajectory.jsonl`	一行一步，`step_index` 从 0 起：`agent_response`（模型的可见回复）、`actions`（执行的代码/动作）、`executions`（执行结果）、`screenshot_path`
`screenshots/step_NNNN.webp`	第 N 步做动作之前模型看到的画面（1920×1080）
`result.json`	得分、是否通过、步数、终止方式、`evidence`（评测器的逐项判据输出）、`error`
`config.json`	本次运行的执行条件与代码版本
`artifacts/`	模型写出的产物（按评测器声明的路径收集）与 `manifest.json`
`usage.json`	token 用量（部分运行有）

每题每 arm 只收最后一次尝试。 本批因中转网关故障重试过多次，被取代的早期重试不在包里。
不含思维链：三个模型都没有启用或保存思维链，agent_response 是可见回复。
不含参考答案：包里只有模型输出与运行记录。
repair_boundary_kanamachi_01 在两个 GPT pyautogui_shell arm 上的运行被 TokenWave 中转的 60 秒首字节超时截断（result.error 为 504），评测器没有运行；这两条按 0 分计入，但不代表模型能力。
config.json 的 project_root 与 VERSIONS.json 的 host 记录的是运行机器上的路径与硬件信息。