refactor: 평가 엔진을 benchmark.py로 통합, measure_recall.py는 CI 래퍼로 축소

[dnjsgkfka]

요약

벤치마크 평가 엔진을 하나로 통합

• 이제 benchmark.py가 유일한 평가 엔진이고, measure_recall.py는
  DagsHub/MLflow 로깅만 담당하는 얇은 CI 래퍼

변경 사항

• benchmark.py: PageHit@1/5/10(모든 arm 동일 기준), evidence_hit@1, TableHit@k(정답 표 자체 일치), ablation 3종, 문서단위 부트스트랩 CI + McNemar, 동일 토큰 예산 LLM 실답변 평가
• measure_recall.py: benchmark.run()을 호출하는 CI 전용 래퍼로 재작성 (자체 채점 로직 제거)
• scripts/summarize_results.py: 새 summary 스키마에 맞춰 Actions 요약 로직 갱신
• .github/workflows/benchmark.yml: 트리거 경로에 benchmark.py 추가
• 주석 정리

[dagshub]

Join the discussion on DagsHub!