ArrivalBench：智能体生成的数据管道一次正确、随时间出错

ArrivalBench 重新执行智能体留下的数据管道，用可重放的迟到、重复、乱序和重试记录要求最终状态等于完整日志的批式重算。40 个任务上，单次执行评测认证 86-100% 的管道，重放后 7.0-79.2% 的认证管道静默错误；幂等性风险比顺序风险失败更多，危险警告把一个模型的静默失败从 48.2% 降到 10.5%，崩溃率从 9.0% 升到 37.0%。