速评：BulkPR-Bench，拿 18 个真实仓库的冻结快照，造了 581 个互相挤压的 PR，让 agent 当仓库管理员。评测从"你写个函数"直接抬到"你管一条流水线"，抬得好。但这组数据一出来，被测的 AI agent 现了原形。
六个模型，三百多次运行，只有 8 次完整把一个队列跑完。2.5%。最强模型 Relational Delivery Score 66.6%，第二名 62.0%，第三名 57.9%——按顺序老老实实逐个交付的 baseline，53.1%。最强比无脑排队高 13 个点。这数字不是挤牙膏，是牙膏管堵了。
最扎眼的还不是分数，是论文自己跑的那个诊断实验：把关系图金标准直接塞给模型——答案递到嘴边，它还是接不住。这话是论文自己白纸黑字写的，不是我编的。
几百个 PR 在同一个仓库里互相压着、牵一发动全身，还得排最优交付顺序。单 PR 写得再好，跟这个之间隔的不是 context window——是规划能力整个缺了一层。这波被测的，全被卡在中游。
当然，这不是说分数永远刷不上去——架不住有人把 queue 管理场景往训练数据里塞，专攻这个 benchmark 押题。这里立个 flag：三个月内，会有人官宣自己跑到了 80% 以上，然后被复现钉死。
这剧本，看过太多次了。图一乐。