test: 评测集补数值核查与人物一致性锚点

[guanlili]

Summary

PR#152 合入的 numeric_reasoning、person_reference 以及 #153 的 entity_guard 此前在评测集中零覆盖——换模型/改 prompt 时对这三个检查器是盲测。本 PR 为前两者补 7 个样本（评测集 176→183；entity_guard 由 12 例单测锁定，随机幻觉不适合 eval 锚点）。

• num-1：部分超整体矛盾（支出 80 万 > 收入 50 万）— LLM 层，锚点子串双轮稳定
• num-2：志愿服务 5 年 6600 余小时证据式提示 — numeric_rule 确定性锚点（≈3.62 小时/天，不认定错误）
• num-3 / num-4：数据自洽、合理时长 — 零误报对照
• person-1：同一人物「她→他」冲突 — 三轮 original 完全一致，收为 report 锚点
• person-2：多人各自一致零误报；person-3：一致用「她」不得按姓名猜性别（2026-10-12 用户原则）

Test plan

• dev lite 全量 eval：新维度 数值核查 2/2 锚点 + 2/2 零误报、人物一致性 1/1 锚点 + 2/2 零误报，全部通过
• 整体基线 128/143 锚点（90%）、零误报 39/43 — 与 mini 历史基线（94-97%）的差距为 dev/lite 模型形态差异（既有画像，非本 PR 引入）
• mini 形态（EVAL_CONFIG_ID=13，与生产一致）复测结果见 PR 评论（评测方法论要求锚点按生产模型形态验证）
• CI 通过后合并