SWE Refactor Bench: Whole-Repository Refactoring Under Hidden Tests

基准用 20 个全仓迁移覆盖四类技术债，同时要求通过迁移审计、固定行为检查和六组代理生成的定向隐藏测试。八个模型、26 种配置的 520 次运行中仅 28 次成功，即 5.4%，且 13 个任务没有任何可接受结果；340 次虽过审计，仍只有 26% 做到全部固定检查。构建系统改写成功率 31.4%，语言级改写仅 5.6%，揭示代理对跨模块语义保持仍远弱于机械配置迁移。