問題
eval_results_{timestamp}_run{N}.jsonl 的每一行都缺少 file 與 timestamp 欄位，違反 CLAUDE.md §10 的輸出格式規範，並導致 --resume 完全失效。
規範 vs 實作
CLAUDE.md §10 規定每行必須包含：
timestamp、file（資料集路徑）、question_id、question、correct_answer、predicted_answer、is_correct
實際輸出（results/eval_results_20260410_1631_run0.jsonl 第一行）：
['question_id', 'sample_id', 'question', 'image_path', 'correct_answer',
'llm_output', 'llm_reasoning_output', 'predicted_answer', 'is_correct',
'usage_completion_tokens', 'usage_prompt_tokens', 'usage_total_tokens']
runners/evaluator.py 中所有 detailed_results.append({...}) 都沒有寫入 file 或 timestamp（該檔 grep "file" 零命中）。
連帶後果：--resume 一題都不會跳過
main.py:608-610 以 {file}|{question_id} 組出已完成紀錄的 key：
file_id = record.get("file", "")
q_id = str(record.get("question_id", ""))
completed[run_key].add(f"{file_id}|{q_id}")file 不存在 → file_id 恆為 "" → key 恆為 "|0"、"|1"、"|2"…
比對端 runners/standard.py:192：
if rec.startswith(f"{file_path}|")file_path 是真實資料集路徑，永遠不會匹配 "|0" 這種 key。因此 completed_for_file 恆為 0，completed_for_file >= ds_len 恆為 False，沒有任何檔案會被跳過。
實測既有輸出檔：
產生的 key 樣本: ['|0', '|1', '|10']
是否有任何 key 以真實檔案路徑開頭: False
使用者執行 --resume 的預期是「接續未完成的部分」，實際得到的是「整輪重新評測，並 append 到同一個 JSONL」，產生重複列且浪費全部的 API 成本與時間。對長時間評測（--resume 存在的唯一理由）而言，這等於功能不存在。
建議修法
在 evaluator.py 的 evaluate_file() 內，為每筆 detailed_results 補上 file（即 file_path 參數）與 timestamp。這同時滿足 §10 規範並修好 --resume。
屬新增欄位，不改動既有欄位名稱，向下相容（原則 F）。舊的 JSONL 檔案在 resume 時仍無法匹配，但那些本來就已經是壞的。
建議一併補一個 --resume 的端到端測試——這個 bug 能存活到現在，代表該路徑沒有測試覆蓋。
相關
cc @teds-lin @lianghsun
問題
eval_results_{timestamp}_run{N}.jsonl的每一行都缺少file與timestamp欄位，違反 CLAUDE.md §10 的輸出格式規範，並導致--resume完全失效。規範 vs 實作
CLAUDE.md §10 規定每行必須包含：
實際輸出（
results/eval_results_20260410_1631_run0.jsonl第一行）：runners/evaluator.py中所有detailed_results.append({...})都沒有寫入file或timestamp（該檔 grep"file"零命中）。連帶後果：
--resume一題都不會跳過main.py:608-610以{file}|{question_id}組出已完成紀錄的 key：file不存在 →file_id恆為""→ key 恆為"|0"、"|1"、"|2"…比對端
runners/standard.py:192：file_path是真實資料集路徑，永遠不會匹配"|0"這種 key。因此completed_for_file恆為 0，completed_for_file >= ds_len恆為 False，沒有任何檔案會被跳過。實測既有輸出檔：
使用者執行
--resume的預期是「接續未完成的部分」，實際得到的是「整輪重新評測，並 append 到同一個 JSONL」，產生重複列且浪費全部的 API 成本與時間。對長時間評測（--resume存在的唯一理由）而言，這等於功能不存在。建議修法
在
evaluator.py的evaluate_file()內，為每筆detailed_results補上file（即file_path參數）與timestamp。這同時滿足 §10 規範並修好--resume。屬新增欄位，不改動既有欄位名稱，向下相容（原則 F）。舊的 JSONL 檔案在 resume 時仍無法匹配，但那些本來就已經是壞的。
建議一併補一個
--resume的端到端測試——這個 bug 能存活到現在，代表該路徑沒有測試覆蓋。相關
.claude/skills/run-eval/SKILL.md已加註警告說明--resume目前失效，待修好後同步更新cc @teds-lin @lianghsun