评测的模块说明补分析期望：judgements.py 管什么、有分析期望的题集开评时拍一份分析设置（算期望、作答都按它，记进指纹，别的题集不拍）

backend/app/eval/__init__.py

@@ -8,6 +8,8 @@
 - answer.py：无头地走一遍问数据页那一轮（answer_ops → chat/turn 的决定 → 运行 → 复核 → 要的话重来一次）；
 - runner.py：后台评测（并发、预算、止损、停止、只重试没做完的、重启标中断）；
 - score.py、judging.py、rescore.py：评分（五种结论、维度配对、逐题 E1）、结论裁判和文字要点（模型判断，单列）、按新规则重评；
+- judgements.py：分析期望（贡献、判定）：在期望 SQL 的结果上用平台的分析方法算期望的判定，答案里的分析结论和正文的判断词按
+  同一套判定类、同一张说法表比（docs/design/analysis-round/00-总方案.md §3.8）；
 - stats.py、compare.py：总表与区间、和上一次比、A/B 配对表与精确 McNemar；
 - cleanup.py：按保留规则清理明细、回收工件；scheduled.py：题集的定时。
 

backend/app/eval/runner.py

@@ -12,6 +12,9 @@ EvalResult：建评测时就全部建好（pending），进度、「正在做什
 snapshot 视图）：起草、剖析照常进行，也不影响这次评测的可比性。各数据源的上传表格版本、表结构哈希开始和结束各记一次，
 变了在指纹里标出（sources_changed）。
 
+**分析设置。** 题集里有分析期望（贡献、判定）的，开评时拍一份分析设置（判定用的阈值）：算期望、各臂作答的运行都按这一份，
+记进指纹（和上一次比时阈值变了照实标出），重试沿用。别的题集不拍，指纹、作答运行的选项和以前一样。
+
 **并发。** 同时最多 max_parallel 题，且所有臂合起来不超过全局运行并发的四分之一。评测发起的作答、算期望的运行归「系统」类
 （app/cluster/slots.py）：全站的名额按类别有上限和优先级，评测再多也只占得到系统那一类的名额，问数据、试跑优先，不被挤占。
 A/B 的同一题几臂同时开跑。每题时限 per_case_timeout_s：作答一臂超时就取消它正在跑的运行、记超时；