Controller 与 Worker 分开测
LoopArena 把「控制」和「执行」拆成两个 Agent：Controller 只决策、Worker 只动手。被评的是 Controller，不是整个系统。
只读 Evidence Packet，输出 Loop Contract（advance / verify / stop）。不持有任何编码工具，唯一职责是「决定下一步干什么」——这正是被排序、被打分的对象。
唯一能读写代码、运行命令的角色。全榜单统一用 Qwen3.7-Plus，从而把「执行能力」固定住，隔离出 Controller 的纯控制能力差异。
复用 Worker 同款模型配置，从 Worker 对话副本 + 只读工作区生成四段式报告（任务上下文 / 已完成工作 / 验证证据 / 遗留问题），作为下一轮 Evidence Packet 的原料。
Evidence Packet · 证据包
Controller 收到的结构化只读摘要。它不读原始长对话，只看 Reporter 提炼的浓缩证据——控制模型不背「读长上下文」的锅。
Loop Contract · 循环契约
Controller 的输出契约，三种动作：advance（继续，附下一条 assignment）、verify（要求验证）、stop（判断已达成/已放弃）。advance 会被渲染成 Worker 的下一条指令。
三级评测：从「单决策」到「完整任务」
同一批 Controller 在三个档位上各测一次，用成本递减的方式逼近同一结论。
四选一：给定同一 Evidence Packet，Controller 从四个候选 Loop Contract 里挑最正确的一个。候选答案在构建时已真实执行验证，评测时零 Worker 运行，成本最低、最快。
从准备好的中间工作区起步，跑真实 Controller–Worker 闭环，但执行范围更短。它是「低成本、仍保留闭环」的替代档位，用于快速比较。
从原始状态开始跑完整编码任务，是最终标准。Controller 必须全程在实现、验证、恢复、停止之间自适应切换，难度最高。
双层循环：内层执行，外层控制
一个分数的诞生，是「Controller 决策 → Worker 执行 → Reporter 汇报」反复闭环的结果。
控制闭环
每一轮都经过五个环节，直到 Controller 输出 stop
内循环 vs 外循环
二者分工，隔离出「控制能力」这个被评对象
Worker 自己思考—行动—观察，反复迭代直到完成当前 assignment 或无法继续。这一步被固定住，所有 Controller 共享同一个 Worker。
Controller 每轮收到最新 Evidence Packet，决定 advance / verify / stop。它决定整个任务何时继续、何时验收、何时收手——这才是被评测的能力。
指标口径与参考策略
SSR 判「强不强」，成本判「省不省」，参考策略判「控制到底有没有用」。
三个核心指标
每个分数都有明确定义与口径
既通过任务 evaluator、又符合 LoopArena 协议（Controller 恰当时机 stop、Worker 未越界）才算成功。比传统「通过测试」更严。
$/run，无缓存口径，把 Worker、Reporter、Controller 三者的推理成本都算进去。强度相近时，便宜者胜。
Type II 与 Type III 排名相关性，论文实测 0.9747——用于证明低成本档位不失真。
参考策略（不参与排名）
两条基线共用同一个 Worker，用于定位「Controller 的价值」
没有 Controller，Worker 直接自主执行。用于回答「闭环控制到底有没有用」。
不读 Evidence Packet、不调模型，只机械重申任务目标。用于区分「真控制」与「假装控制」。
论文观察：Fixed control 在 Type II 上把 No control 的 39.51% 拉到 46.91%，但 Type III 两者都只有 18.52%——机械重申目标只能帮有限切片，完整任务需要能自适应切换的控制。
为什么榜单只评编程智能体
LoopArena 是一个面向「编程任务」的基准——它的 Worker 动作空间是编码与运行命令。把范围收窄到编程智能体，才能保证口径一致、可比。
拿编码基准去评客服/研究 Agent 没有意义。LoopArena 的 Worker 只会「写代码 + 跑命令」，只有编程智能体落在这个动作空间里。
固定 Worker 后，分数差只来自 Controller 的控制能力。跨场景会引入完全不同的动作空间，破坏这一隔离。
Claude Code、Codex、Cursor 等当前主流智能体都以「编程」为核心场景，聚焦这里对用户最有参考价值。