用个人真实任务评估 AI 实用表现的基准测试。
通用榜单是百米总成绩，你的基准测试却让 AI 拎着待办清单，当面过招。
它用真实任务挑模型，适合比较工作流里的效率与稳定性。
Leaderboard通用排行难反映个人任务表现，它用真实工作清单补足这个盲区。
Evaluation Harness评测框架可自动运行个人任务，并汇总模型表现。
AI Productivity它用实际工作结果衡量 AI 是否真能提升个人效率。