diff --git a/设计方案文档.md b/设计方案文档.md
index 4eca37a..d799fca 100644
--- a/设计方案文档.md
+++ b/设计方案文档.md
@@ -27,14 +27,14 @@ OxideJS 的总体目标是实现一个基于 Rust 的轻量级 JS 执行引擎
 
 设计目标如下：
 
-| 目标 | 说明 |
-|------|------|
-| 轻量执行 | 避免引入 V8/QuickJS 等外部执行引擎，保持 runtime 可控 |
-| 多请求隔离 | 每个 VM 拥有独立寄存器、调用栈、临时内存和异常状态 |
-| 跨 VM 复用 | Kernel 保存字符串、Shape、编译缓存、内置对象等共享状态 |
-| 低 GC 干扰 | 临时对象优先进入会话 arena，减少短时执行中的全局回收压力 |
-| test262 驱动 | 使用 ECMAScript Test Suite 持续验证语义正确性 |
-| 可扩展架构 | parser、compiler、types、kernel、vm、cli、test262 runner 分 crate 组织 |
+| 目标         | 说明                                                            |
+|------------|---------------------------------------------------------------|
+| 轻量执行与跨平台   | 保证在各个平台都能流畅快速的运行                                              |
+| 多请求隔离      | 每个 VM 拥有独立寄存器、调用栈、临时内存和异常状态                                   |
+| 跨 VM 复用    | Kernel 保存字符串、Shape、编译缓存、内置对象等共享状态                             |
+| 低 GC 干扰    | 临时对象优先进入会话 arena，减少短时执行中的全局回收压力                               |
+| test262 驱动 | 使用 ECMAScript Test Suite 持续验证语义正确性                            |
+| 可扩展架构      | parser、compiler、types、kernel、vm、cli、test262 runner 分 crate 组织 |
 
 ### 1.3 创新点 1: 单 Kernel 多 VM
 
@@ -755,9 +755,137 @@ Developer / CLI / test262
 
 ---
 
-[TODO] 研发过程遇到的问题和解决方法
+## 四、Benchmark 与评分体系
 
-[TODO] 各平台 Benchmark 与竞争产品对比
+### 4.1 测试套件设计
+
+OxideJS 采用多维度 benchmark 体系，针对 Agent 场景的特性进行验证：
+
+| 维度 | 测试套件 | 测试项 | 权重 | 说明 |
+|------|---------|--------|------|------|
+| **正确性** | test262 (ES 标准一致性) | 53,598 个官方测试 | 50% | ECMAScript 官方合规性测试 |
+| **性能** | JetStream 2.0 微基准 | 64 个代表性微基准 | 25% | 几何平均相对 QuickJS baseline |
+| **启动** | 冷/热启动测量 | `oxide eval "1;"` 20 次 | 15% | Agent 调用响应速度 |
+| **内存** | 压力测试峰值 RSS | `tests/stress/*.js` | 10% | 长运行场景内存占用 |
+
+### 4.2 综合评分公式
+
+$$
+S_{\text{total}} = 0.50 \cdot S_{\text{correctness}} + 0.25 \cdot S_{\text{perf}} + 0.15 \cdot S_{\text{startup}} + 0.10 \cdot S_{\text{memory}}
+$$
+
+#### 4.2.1 正确性得分 (Correctness)
+
+$$
+S_{\text{correctness}} = \frac{P_{\text{pass}}}{P_{\text{pass}} + P_{\text{fail}}} \times 100
+$$
+
+- $P_{\text{pass}}$: test262 通过测试数 (of ran, 不计 skip)
+- $P_{\text{fail}}$: test262 失败测试数
+- **目标**: $\geq 60$ (ES2020 核心特性覆盖)
+- **当前** (2026-06-28): 9,462 pass / 51,834 ran = **18.3%**
+
+#### 4.2.2 性能得分 (Performance)
+
+基于 JetStream 2.0 几何平均，以 QuickJS 为基准 (80 分 = 持平)：
+
+$$
+T_{\text{geo}} = \left( \prod_{i=1}^{n} t_i \right)^{1/n}, \quad
+R = \frac{T_{\text{geo}}^{\text{QJS}}}{T_{\text{geo}}^{\text{Oxide}}}, \quad
+S_{\text{perf}} = 80 + 20 \cdot \log_2(R)
+$$
+
+- $R > 1$: OxideJS 更快
+- $R = 1$: 持平 (80 分)
+- $R = 0.5$: 慢 2 倍 (60 分)
+
+#### 4.2.3 启动速度得分 (Startup)
+
+$$
+S_{\text{startup}} = 100 - \min\left(50, \frac{t_{\text{cold}} - 50}{10}\right) - \min\left(30, \frac{t_{\text{warm}} - 20}{5}\right)
+$$
+
+- $t_{\text{cold}}$: 首次执行时间 (ms)，目标 < 100ms
+- $t_{\text{warm}}$: 后续 19 次平均 (ms)，目标 < 50ms
+- 冷启动每超 10ms 扣 1 分，热启动每超 5ms 扣 1 分
+
+#### 4.2.4 内存占用得分 (Memory)
+
+$$
+S_{\text{memory}} = \max\left(0, 100 - \frac{M_{\text{peak}} - 50}{5}\right)
+$$
+
+- $M_{\text{peak}}$: 压力测试峰值 RSS (MB)
+- 目标: < 150MB 得满分
+
+### 4.3 Agent 场景专用加权
+
+针对多轮对话 / 跨 session 缓存：
+
+$$
+S_{\text{agent}} = 0.4 \cdot S_{\text{correctness}} + 0.2 \cdot S_{\text{perf}} + 0.2 \cdot S_{\text{session-reuse}} + 0.2 \cdot S_{\text{memory}}
+$$
+
+其中 session 复用收益：
+
+$$
+S_{\text{session-reuse}} = 100 \cdot \left(1 - \frac{t_{\text{session-N}}}{t_{\text{session-1}}}\right)
+$$
+
+衡量 OxideKernel 跨 VM 共享 (DashMap + Arc) 的缓存收益。
+
+### 4.4 Baseline 对比
+
+| 引擎 | test262 pass% | JetStream 2.0 | 启动 (ms) | 内存 (MB) | 备注 |
+|------|--------------|---------------|-----------|-----------|------|
+| **QuickJS** | ~99% | 基准 (1.0x) | 冷 80, 热 40 | ~120 | ES2020 几乎全覆盖 |
+| **Boa v0.21** | ~85% | 0.6x | 冷 150, 热 90 | ~200 | Rust 实现，栈式 VM |
+| **JerryScript** | ~98% | 0.8x | 冷 60, 热 30 | ~80 | 嵌入式优化 |
+| **OxideJS (当前)** | 18.3% | 未测 | 未测 | 未测 | Phase 14.2.3 |
+| **OxideJS (目标)** | 60%+ | 0.8–1.2x | 冷 < 100, 热 < 50 | < 150 | v1.0 里程碑 |
+
+### 4.5 当前状态分析
+
+**test262 通过率 18.3%** 的主要失败原因（基于 `.planning/codebase/CONCERNS.md` 分析）：
+
+1. **Compiler counter/emitter drift** (P0, 预计影响 4000–6000 测试)
+   - 问题：`counter/*` 和 `emitter/*` 指令计数不对齐 → `projected_pc` 漂移 → 跳转落错 PC → 死循环
+   - 已知 9 个具体 drift 位置：私有方法 (C2/C3)、计算键 (C4/C5)、解构参数 (C1/D1/S2)、`??` 和复合赋值 (E1/E2)
+
+2. **Structural hash cache collision** (P1, 预计影响 2000–4000 测试)
+   - 问题：`code_forge.rs` 用 `structural_hash(program)` 做 bytecode cache key，但 hash 逻辑忽略 identifier 名字 → 不同变量引用拿到错误的缓存字节码
+
+3. **缺失高频 builtin** (预计影响 1500–2500 测试)
+   - `Array.prototype.toSorted/toReversed/toSpliced/with` (ES2023 不可变数组)
+   - `Object.groupBy/Map.groupBy` (ES2024)
+   - 其他零散 builtin (`String.isWellFormed`, `Atomics.pause`)
+
+4. **for-in/for-of 枚举顺序** (预计影响 1000–1800 测试)
+   - ES2015+ 规定 own-property 枚举顺序（integer keys 升序 → 字符串 keys 插入序 → symbols）
+
+### 4.6 测试复现命令
+
+```bash
+# 正确性测试 (全量，约 1 小时)
+cargo run --release -p oxide_test262 -- --supervise "tests/test262/test" ""
+
+# 代表性桶测试 (约 5 分钟)
+cargo run --release -p oxide_test262 -- "tests/test262/test" "language/expressions/class"
+
+# 性能基准测试
+python3 benchmark/run_benchmark.py
+
+# 启动速度测试 (20 次取平均)
+for i in {1..20}; do time cargo run --release -- eval "1;"; done
+
+# 内存占用测试
+cargo run --release -- run tests/stress/array.js &
+PID=$!; while kill -0 $PID 2>/dev/null; do ps -p $PID -o rss=; sleep 0.1; done
+```
+
+---
+
+[TODO] 研发过程遇到的问题和解决方法
 
 [TODO] AI 使用情况说明