Agent Arena 升级 Bash 可靠性指标 只罚 agent 自身命令错误

Agent Arena 榜单将原 Bash Recovery 信号升级为 Bash Reliability，只惩罚 agent 自身犯下的命令行错误，避免因环境等因素误伤。新指标逐条读取每次 bash 调用的目的、结果与错误原因，以更准确衡量 agent 的命令行使用可靠性。更新后 Claude Opus 5.5 位居该指标首位。