DSH 原生能力
不安装额外研究插件，作为比较基线，不参与插件排名。
METHOD / DEEP RESEARCH
深度研究评测方法
让研究插件与 DSH 原生能力完成同一组任务。既检查能否找到正确答案，也检查能否交付有依据的完整报告。
COMPARISON
与原生能力对照
同一轮使用相同任务和运行条件，观察安装插件后带来的变化。
研究插件
每次只安装一个待测插件。缺少必需凭证等准入问题单独记录，不记质量零分。
PROCEDURE
怎样执行
本轮有两道短事实题、两道长报告题。另有一项诊断复用健康主题报告，不另算独立题目。
固定比较条件
锁定 DSH、模型、题面、运行预算和评分配置。先运行原生基线，再分别测试插件。
独立运行任务
每个参评条件使用独立环境和工作区，记录检索、工具调用、输出、耗时与异常。
检查答案与报告
短事实题核对答案与实际检索行为；长报告先检查交付物和链接，再由固定模型评价质量。
汇总并公开
分别统计短事实、长报告与相对基线的增量，公开脱敏记录，同时说明故障、复用记录和适用边界。
SCORING
怎样判分
检索答案与报告质量分别统计，不合成为一个加权总分。
短事实：答案是否正确
使用私有标准答案进行精确或可接受答案匹配，并检查是否实际发生多步检索或抓取。
长报告：交付与证据是否充分
先检查必需交付物、链接可达性和禁止项，再由固定模型、固定提示词的评分器评价事实、完整性、引用忠实度和风险。评分器不获知插件身份。
关键交付物齐全、事实和引用达到门槛且无严重编造，才算通过；可用但仍有缺项或证据不足，记为部分完成。链接能打开，不代表它支持报告中的结论。
异常单独记录
系统故障、超出能力范围和评分器故障分别标记。评分器无法完成时，保留确定性检查，暂不进入其质量排名，不记质量零分。
EVIDENCE
公开材料与边界
这是固定小样本的插件比较，不代表所有研究任务，也不是上游基准的完整官方榜单。
公开数据保留状态、数值、资源用量和来源标记，可复算排名。私有题面、标准答案、报告正文和完整日志未公开，不能仅凭脱敏数据重新核验答案、引用或完整运行过程。
本轮重新运行多跳检索题，其余复用上一批已验证的记录；逐条标明来源。长文质量采用本地模型评分，不标作上游官方分数。