OpenAI 開源思維鏈可監測性評測數據集與參考程式碼

OpenAI 開源思維鏈可監測性評測套件中的多數數據集、計算 g-mean 2 的參考程式碼，以及一項新的交叉擬合篩選策略。開放版本涵蓋幹預、流程及結果屬性三類評測，依賴私人或受限制數據的部分項目未有公開；用於模擬評測的 scaffold 僅作示範，不獲支援。