VeriHarness V0.5 · Round 1
最正式的一次 verification-prompt 实验：image→HTML 复现，3 条件 × 8 case × 2 replicate × 2 生成模型（opus / gpt-5.6）。本页用来直接看效果差异——逐 case 把参考图与 A-raw / B-base / P0 的渲染结果并排比较，并显示离线 gemini 评分。
打开 V0.5 Unified Viewer →覆盖 4 模型 A/B/P0/V1，以及 Opus/GPT V2.0–V5.preview
三条件
A-rawtask prompt only，无 tool / 无 MCP / 无 CallMLLM。整体地板 baseline。
B-basetask + tool prompt + CallMLLM 多模态验证 tool（可用但无验证 prompt）。所有 V 系列公共底座。
P0B-base + 一句极简 "you may verify" 提醒。
条件均值（当前模型 · 0–5）
来源 offline-gemini-v1，score = rubric_pass_rate × 5Round-1 主发现：最大跃升在 A-raw → B-base（给 agent 验证工具本身）；P0 的极简提醒相对 B-base 几乎不增。within-set，8 case × 2 replicate，单轮，无显著性检验，非跨 case 泛化结论。