Tres tareas medidas: .gxSource se degrada con razonamiento (parseRate 86,9 -> 33,5), MCQ es indistinto (p=1,000; el 69,6 publicado antes medía el techo de tokens del benchmark, no el modelo), y explicar codigo existente MEJORA (invenciones 15,4% -> 8,7%, p=0,041). Se saco el pin del template para que la eleccion sea del usuario.
Card: reasoning off por defecto, con las mediciones
