Correct evaluator and canonical replay contracts

[lanyue-llk]

变更

• 修复动态 URL / POST 占位符、事件流顺序、显式 last_event_only 与数组类型的通用网络评测语义。
• 修正 canonical WebArena 任务中错误的端点、请求体、导航模式、用户组集合、仓库路径和路线方向。
• 将合法的空 HAR 解释为“观察到零个网络事件”，由官方 evaluator 正常给出失败，不再误判为另一种 trace 格式并抛异常。
• 增加正反行为控制，覆盖尾随错误请求、动态字段变化、数组元素类型、路线正反方向和空 HAR。

这些修改属于所有执行器共用的评测器与 canonical dataset。浏览器轨迹、Rainbond 部署地址、运行证据和报告继续由 browser-eval 维护。

PR 关系

• lex-main 已包含 Fix final-page event evaluation and five verified task contracts #1 和 Correct verified task and network evaluation contracts #2，本 PR 以该最新基线为父提交继续修正。
• 已关闭的 Correct evaluator and canonical replay contracts #4 的全部提交已收敛进本 PR；Correct evaluator and canonical replay contracts #4 不需要重新打开或单独合并。
• 本 PR 是 lexmount/webarena-verified 当前唯一开放的评测修复 PR。

验证

• evaluator、迁移、API、dataset integrity：此前完整聚焦套件 1,862 passed。
• 本地可运行完整套件：此前 5,739 passed，6,391 skipped，2 deselected。
• 最新空 HAR 修复的 evaluator / trace 聚焦测试：10 passed。
• Ruff、ty 与 diff check 通过；最新空 HAR提交的 Ruff 与 diff check 通过。

需要 Docker、外部站点或 Hugging Face 数据的测试未计入本地可运行套件。

[lanyue-llk]

独立防作弊审查结论

已按“是否降低门槛、修改答案或为特定浏览器放行”重新审查最终 diff，并加入对抗用例。结论：最终 head 3f8e559 没有浏览器特判，没有降低评分阈值，也没有通过改答案让 Chromium/Moli 通过。

审查中确实发现并修复了三类会产生假阳性的共享问题：

• 动态值曾可从不可信的实际请求自绑定，现改为只从声明的可信响应事件或允许值绑定；
• 同一来源的多个字段曾可能跨两个物理响应拼接，现要求原子地来自同一事件；
• last_event_only 曾可能只在局部候选流上取最后事件，现固定在完整事件流中确定最终来源，并要求来源严格早于消费事件。

另外纠正了 task 760 把 Allentown 机场当作市区起点的问题；这是评测数据错误修正，不是放宽条件。Browser Eval 的旧报告仍绑定旧评测版本，不会把旧轨迹结果冒充为新合同结果。

验证：目标测试 45 passed；核心、数据完整性与 API 2355 passed / 3 skipped；Ruff、ty、diff check 通过。