LoopArena: бенчмаркинг моделей как рантайм-контроллеров для loop engineering

Бенчмарк для оценки модели-контроллера, которая ведёт отдельного фиксированного кодинг-агента-воркера через длительные задачи: после каждого раунда кодинга она читает структурированную сводку прогона и решает, что делать дальше, верифицировать или остановиться. Разделяет способность к управлению циклом от сырых кодинг-способностей воркера в трёх настройках охвата исполнения.