Valeu pelo aviso, Oletros. Tua observação salvou o post: acabei de atualizar os dois pontos (canonical no topo + link no rodapé) pro concept DOI 10.5281/zenodo.20978073, que sempre redireciona pra última versão. A versão 1 vazou pra publicação antes de eu lembrar de usar o concept; lição pros próximos papers.

Sobre "métricas como única forma de identificar": é exatamente o que me obrigou a fazer 40 trials. Rodei 3 vezes desconfiando de erro de medida antes de aceitar, porque "executor grátis sai mais caro" soa contraintuitivo o bastante pra parecer bug. Acabou sendo mecânico (cache do Opus relendo o sumário do Qwen), não filosofia. Sem o número eu provavelmente teria mantido o setup só pelo charme do "PC com GPU faz o trabalho sujo".

Obrigado pela star e pelo fork. Se rodar o harness em outra codebase e der inversão de resultado, manda. É o tipo de réplica que falta nessa discussão.