20 任务×3 重复=120 次运行：Agent harness 对比评测的隐形成本

在配对 harness 对比评测中，20 个任务、3 次重复会产生 120 个 agent episode，且不含提出候选修改所消耗的调用。文档标注的运行次数为 2 × tasks × episode repeats，对比双方是当前 harness 与候选版本，同一任务套件、固定模型，运行交错进行。120 只是执行次数，不等于 token 预算或统计置信度，任务套件翻倍时这部分评测工作量也翻倍。