Benchmark 导出缺少重复样本统计，无法可靠判定性能优化收益

[pikasTech]

目标合并分支: master

问题

当前 port/linux/ci_benchmark.sh 连续运行 20 次，但 ci_benchmark_select.py 只按 Performance Points 选择中位次对应的一整份 benchmark_result.json，随后 github-action-benchmark 仅把这一份结果发布到 Pages。其余 19 次样本、均值、中位数、标准差、CV 和置信区间均未导出。

这会导致跨 Action run 的变化无法区分为 VM 优化收益、runner 波动或二进制布局影响。近期数据中：

• 05719194e9 -> 94c0d053fb：Performance Points +9.219%，公共 VM 项目耗时下降约 7.200%–13.622%；
• 94c0d053fb -> 5cde1a9648：后者只包含线程锁语义修复，但 Performance Points 仍 +7.099%，各 VM 项目变化为 -1.756%–13.306%；
• function-call 新基准在优化前没有成功发布的 Action 基线，不能做直接前后对比。

因此现有 Pages 数据只能说明近期总体方向改善，不能可靠证明具体性能提交的净收益。

目标

1. 保留每轮 20 次原始样本，或至少导出每个 benchmark 的 count、median、mean、standard deviation、CV、min 和 max。
2. Performance Points 与各 VM benchmark 分别统计，不能用 Points 中位次对应的单份向量代替全部项目统计。
3. 支持在同一 commit 上重复触发 benchmark，形成 runner 间方差基线。
4. Pages 导出继续兼容 github-action-benchmark 的可视化，同时增加机器可读的聚合统计文件。
5. 性能结论只有在收益稳定超过噪声/CV，且控制基准无异常漂移时才标记为有效。

验收

• 同一 commit 至少两次 Action run 可查询每项 benchmark 的样本量与离散度。
• 变更前后比较能输出绝对值、百分比、噪声范围和 improved / no-credible-change / regressed 判定。
• 不增加目标固件 RAM/Flash；统计只发生在 Linux CI。