DecompGym: проверка кода решения, а не только ответа, и разбор ошибок судьёй вместо слепых повторов

Парадокс: код запустился, число выглядит правдоподобно, а метод при этом не тот. Из 108 попыток, которые отклонила проверка метода, 93 дали допустимое решение в пределах 1% от оптимума. Проверка только по ответу их бы приняла. DecompGym позволяет ловить такие ложные успехи: отдельная модель-судья читает код и объясняет отказ, а после провала идёт разбор ошибки вместо слепого «попробуй ещё раз». Самая частая причина — 96 случаев, когда модель объявляет решение оптимальным без доказательства.