MMTB 与 ALE：Agent 配置、工具操作与得分

三条 MMTB 本地不限时运行，与三条 ALE 官方公开轨迹；均值按三道题等权计算。

工具操作按展开后的工具层计数，包含等待/轮询。MMTB 第一题含网络中断与恢复，导入历史未重复计数。

得分均值为所选三题得分的算术平均。各题评分规则、Agent 配置及预算不同，仅作这组案例的描述性统计，不代表整个 benchmark 的成绩或难度排名。