这次实验比较的是 Comet Native 的两种澄清模式：batch 一次提出所有独立问题，再单独确认共同理解；sequential 每次只解决一个决策。
我们选择同一个包含 3 个独立产品决策的 wordcount-cli 任务，在完全相同的模型、运行器、验证器和环境下分别重复 10 次。20 个样本全部完成且进入 analysis set。
核心数据
pass@3 使用 HumanEval 的至少一次成功估计：10 次观测中 Batch 成功 6 次，Sequential 成功 7 次。这里的 10 组是同一任务的重复运行，不是 10 个不同任务。
如何理解结果
Batch 明显减少了用户交互，并在双方都严格通过的 5 组配对中减少了 13.1% Agent 轮次、12.5% 工具调用、16.6% 累计模型耗时和 22.8% 总 Token。但这次样本中 Batch 的严格成功率低 10 个百分点，主要原因是 4 次运行把共同理解确认和首次批量回答合并成了一轮。
Sequential 的失败面不同：一次多问了一个决策轮；另两次虽然完成了预期的 3 个决策点，但业务行为或归档产物不完整。因此少轮次不能单独作为优势，必须与业务结果、澄清协议和终态证据一起判断。
这是一个任务、每种模式 10 次重复的小样本实验。它能揭示该任务上的交互成本与失败模式，不能单独证明
Batch 或 Sequential 在所有任务上更可靠。
HTML 可视化报告
下面的报告包含 pass@k、配对效率、逐次运行矩阵、任务完成度和失败归因。
实验口径
- 实验标识：
experiment_20260722_002221
- 模型：
mimo-v2.5-pro
- 样本：Batch 10 次、Sequential 10 次，严格配对 10 组
- 数据质量：20/20 included，全部 high confidence，无剔除样本
- 耗时：累加每次运行所有顶层 result 事件，不包含 Docker 准备和 validator 时间
- 效率主视图：只统计同一 repetition 上双方都 strict pass 的 5 组
延伸阅读：Native 与 0.4.0 Classic 真实评估与评分指标与双 Agent 评测。 
