cells 50
sum check lenient+error+amb=100 +-0.15: fails 0 []
strict<=lenient all: True
H mean lenient over 50 = 61.226  (paper 61.2)
  mean strict = 48.048 (paper 48.0); mean amb = 1.890 (paper <2)
C2 max lenient qwen3-235b-a22b-thinking-2507 no_guide 90.0 strict 84.2
   max strict qwen3-235b-a22b-thinking-2507 public_health_expert 86.2 lenient 89.1
C3 cells error>50: 9 ['chatgpt-4o-latest', 'llama-4-maverick', 'mistral-large-latest']
C4 uniform baseline: strict 20.0, lenient 40.0; min lenient cell 39.2 cells lenient<=40: 1
T2 chatgpt-4o-latest                S1 score +0.133 bounds [-0.082,+0.349] ok  amb table 4.1 fig 4.1 ok
T2 chatgpt-4o-latest                S5 score -0.244 bounds [-0.511,+0.058] ok  amb table 2.0 fig 2.0 ok
T2 deepseek-r1-250528               S1 score +0.331 bounds [+0.214,+0.576] ok  amb table 6.6 fig 6.6 ok
T2 deepseek-r1-250528               S5 score +0.311 bounds [+0.222,+0.608] ok  amb table 4.5 fig 4.5 ok
T2 deepseek-v3                      S1 score +0.550 bounds [+0.179,+0.577] ok  amb table 1.2 fig 1.2 ok
T2 deepseek-v3                      S5 score +0.373 bounds [-0.070,+0.422] ok  amb table 0.2 fig 0.2 ok
T2 doubao-seedream                  S1 score +1.152 bounds [+1.098,+1.303] ok  amb table 1.9 fig 1.9 ok
T2 doubao-seedream                  S5 score +0.961 bounds [+0.870,+1.134] ok  amb table 2.3 fig 2.3 ok
T2 gemini-2.5-pro                   S1 score +0.898 bounds [+0.782,+1.076] ok  amb table 0.9 fig 0.9 ok
T2 gemini-2.5-pro                   S5 score +0.637 bounds [+0.542,+0.900] ok  amb table 0.3 fig 0.3 ok
T2 glm-4-airx                       S1 score +1.283 bounds [+1.204,+1.342] ok  amb table 0.8 fig 0.8 ok
T2 glm-4-airx                       S5 score +0.188 bounds [-0.061,+0.392] ok  amb table 2.2 fig 2.2 ok
T2 llama-4-maverick                 S1 score -0.108 bounds [-0.414,+0.097] ok  amb table 5.3 fig 5.3 ok
T2 llama-4-maverick                 S5 score -0.203 bounds [-0.475,+0.094] ok  amb table 2.3 fig 2.3 ok
T2 mistral-large-latest             S1 score -0.148 bounds [-0.456,+0.066] ok  amb table 5.9 fig 5.9 ok
T2 mistral-large-latest             S5 score -0.197 bounds [-0.497,+0.086] ok  amb table 2.5 fig 2.5 ok
T2 qwen3-235b                       S1 score +0.241 bounds [-0.087,+0.382] ok  amb table 1.9 fig 1.9 ok
T2 qwen3-235b                       S5 score +0.348 bounds [+0.043,+0.499] ok  amb table 1.1 fig 1.1 ok
T2 qwen3-235b-a22b-thinking-2507    S1 score +1.575 bounds [+1.566,+1.654] ok  amb table 1.2 fig 1.2 ok
T2 qwen3-235b-a22b-thinking-2507    S5 score +1.195 bounds [+1.172,+1.361] ok  amb table 1.6 fig 1.6 ok