Wie oft und wie wortreich soll ich das noch erklären?
Remis heißt entweder von beiden gelöst oder von beiden nicht gelöst, es sei denn, du unterscheidest bei denen, die von beiden gelöst werden, noch entweder Zeit oder Punkte (bei multiplen Lösungen) dann kannst du die von beiden gelösten noch weiter in ganze Punkte auflösen, bei denen die eine Engine schneller ist oder eine Lösung findet, die mehr zählt. Von beiden nicht gelöste Stellungen sind Remis und bleiben Remis.

Win ist aus der Sicht der Engine A eine Lösung, die Engine B nicht findet (oder langsamer oder nicht die, die am meisten zählt) Loss ist aus der Sicht derselben Engine A das Gegenstück an Stellungen, solche die B besser und oder schneller löst.

Natürlich macht das alles nur Sinn, wenn du jeweils jede einzelne Stellung zwischen je 2 Engines adjuzierst (als lauter Mini- Matches, genau so macht das z.B. EloStatTS, sehr ähnlich jetzt das Tool von Frank Sanders), egal wieviele Stellungen und wieviele Engines es sind.

Und nur so macht es Sinn, mehr als eine einzelne Stellung zum Spielstärke- Vergleich heranzuziehen, weil nur so zählt wenigstens jede einzelne Stellung auch für sich allein im direkten Vergleich zwischen je 2 Engines und nicht nur in Summe.

Und dann müssen es natürlich nicht einfach nur Stellungen sein, die dir persönlich als einem menschlichen Spieler "schwer" genug vorkommen, es müssen (damit eine Suite als solche, als Sammlung von Stellungen, die mit einer gemeinsamen Hardware- TC beurteilt werden sollen) solche sein, die einen gemeinsamen Schwierigkeitsgrad haben relativ zum Pool an Engines einer gewissen Spielstärke- Range und relativ zu der Hardware- TC, mit der du die Suite laufen lassen willst.
Und danach und nur danach richtet sich die Aussagekraft der Lösungszahlen, auch wenn du sie nur als einzelne Zahlenwerte zwischen den Engines wissen willst, was es für Stellungen welcher Schwierigkeit sind (wenigstens das sollte zusammenpassen, von Mustern und Themen und anderen Unterscheidungen, seien's wenigstens Eröffnung, Mittel- und Endspiel ganz zu schweigen) von den Engines, die du damit vergleichen willst, und je nachdem, wie groß die Unterschiede zwischen den Engines in Hinblick auf die Lösungszahlen/Zeit für die einzelne Suite und den einzelnen Engine- Pool dann sind, je nach dem muss sich die Zahl der Stellungen richten, die du brauchst, um der Aussage 140/200 irgendeinen näheren Stellenwert zu geben.
Es ist einfach dasselbe wie mit den Eng-Eng-Matches, manche kann man sich sparen, weil man das Ergebnis eh schon zur Genüge kennt, andere kann man sich sparen, weil sie nichts sagen (was hast du davon, SF dev. gegen die nächste dev.- Version 100 Partien von der Grundstellung aus buchlos mit langer TC spielen zu lassen? Das Ergebnis kennst du auch schon vorher, nämlich, dass sie lauter Remis spielen werden, aber ob zufällig doch die eine eine einzelne Partie gewinnt, das weißt du nicht, das gibt aber dann schon den Ausschlag, wer das Gesamtmatch gewonnen hat, du hast auch für das einzelne Match ein ganz und gar klares Ergebnis).
Bei den Stellungen kannst du auch lauter solche nehmen, die von keinem der Teilnehmer in der Zeit, die du vorgibst, gelöst werden, dann hast du auch lauter Remis und du kannst lauter solche nehmen, von denen alle von allen gelöst werden, ebenso wenig aussagekräftig, es sei denn, du unterscheidest nach weiteren Kriterien wie genauen Lösezeiten.
Um die Frage, ob dein Test (wenigstens dir selbst) irgendetwas sagt, und wie du ihn (wenigstens für dich selbst) aussagekräftiger machen kannst, kommst du nicht herum, es sei denn, es ist dir egal, und du willst nur irgendwelche Zahlenwerte produzieren.
In dem Fall spielt's dann auch keine Rolle, was für Stellungen du nimmst, weder beim Eng-Eng-Match musst du dir dann Gedanken um die Eröffnungen machen, noch beim Stellungstest um dessen Teststellungen