ベンチマーク比較テンプレート

Harness A：

• 完了率
• 平均リトライ回数
• 人間のレビュー前に検出されたバグ

Harness B：

• 完了率
• 平均リトライ回数
• 人間のレビュー前に検出されたバグ

解釈：

• どの harness が結果を変えたか？
• どの harness が結果を得るためのコストを変えたか？