扩展候选池与反向审查

这不是“更多就是更好”的排行榜。将每个公开Benchmark按工作负载可观测性、独立Oracle、运行成本、是否重复已有实验分类；“待核查”不等于能直接在AgentLoupe上运行。部分条目是具体任务、版本或方法参考，并非全是独立Benchmark。

来源策略：公开项目/论文支持其任务和框架事实；AgentLoupe适用性是研究推断，接入能力、OS层归因Gold和实际开销一律保留“未验证”。长期候选池不声称穷尽，也不公开任何私有源代码或数据。