我的评分器答对了所有真实答案，四轮红队测试仍攻破了它

作者构建了一个不引入模型在环的量子电路评分器：生成电路的完整矩阵或输出态，与参考结果在1e-9容差内比对。在45个任务（30个试点+15个盲测，含Bell态、受控旋转、3-qubit QFT、相位oracle及“仅用CNOT”约束）上测试两个模型：Sonnet通过45/45，Haiku通过28/45，并出现13次错误声称成功。其中11次错误源于文件缺少OPENQASM 2.0;行；事后补上该行后Haiku通过39/45，仅2次错误声明。作者指出Sonnet已触及天花板，任务集对其偏易，并强调该补行检查属于事后分析。

AI推荐理由 作者自述构建了一个不依赖模型在环的量子电路评分器，用完整矩阵/输出态与参考电路在1e-9内比对，并在45个任务（含15个盲测）上测试Sonnet与Haiku，发现Haiku的13次错误“成功”声明中有11次是漏写OPENQASM 2.0;行，补上后通过39/45。提供了具体任务构成、失败模式和事后检查的局限说明，对Agent评测与验证设计有参考价值；但为个人博客自述，未经独立复现。