@sema-ai/core 1.275.1

package/docs/SWEBENCH-PRO-RECON-2026-07-11.md

@@ -0,0 +1,31 @@
+# SWE-bench Pro 冒烟侦察:CC vs sema 各 4 实例(2026-07-11)
+
+> 首次 SWE-bench Pro 双腿对照。**判决:2/4 vs 2/4 完全同构平局(逐实例同过同挂),n=4 无引擎分辨力**;价值在管线打通+维度埋点口径,扩样本才有信息量。
+
+## 条件(initial-conditions parity)
+- 机器:测试机(sc-01 判不可用=k3s 无 docker 红线);同机顺序双腿。
+- 子集(官方 public 731 集,各 repo 首实例,确定性选取):qutebrowser(py) / openlibrary(py) / navidrome(go) / NodeBB(js)。
+- 腿:CC 2.1.198(ANTHROPIC_BASE_URL=deepseek anthropic 面)→ sema 1.259.0;同模型 deepseek-v4-pro,同预算 2700s wall + 200 turns/实例,容器红线全守。
+- 事故账(三次起飞):①pip venv 死(机器缺 python3.12-venv → pipeline 改 uv venv 修);②八实例全 `DEEPSEEK_API_KEY not found`(run_instance.sh 读 ~/sema-tb/.env 但该文件从未被创建 → key 经管道写入 mode=600);③04:30Z 起飞,05:01Z 收工。废跑产物存档 out.bak-nokey-0422。
+
+## 结果(~/swebench-pro/out/report.json)
+
+| 实例 | CC | sema | wall CC/sema | turns | patch bytes |
+|---|---|---|---|---|---|
+| qutebrowser | ✅ resolved | ✅ resolved | 107s / 151s | 29 / 35 | 6.7K / 7.7K |
+| openlibrary | ✅ resolved | ✅ resolved | 153s / 45s | 1* / 9 | 1.4K / 1.4K |
+| navidrome | ❌ tests_failed | ❌ tests_failed | 171s / 263s | 68 / 47 | 17K / 30K |
+| NodeBB | ❌ tests_failed | ❌ tests_failed | 519s / 411s | 86 / 72 | 152K / 150K |
+
+\* CC openlibrary `turns=1` 但 `tool_calls=49`:CC 侧 turns 计量疑与 subtype 口径相关,埋点待对齐。
+
+## 维度观察(谨慎口径)
+- **同构性**:4/4 实例双腿同向(2 双过 + 2 双挂),失败类全部 `tests_failed`(无 timeout/无 empty_patch/无 agent 崩溃,双腿 exit=0)。成绩由任务难度主导,引擎差异在 n=4 上未显形。
+- **token 计量口径不可直接对比**:CC 埋点 in_tok(非缓存)与 cache_read 分列(NodeBB:92K + 5.27M);sema 的 in_tok 疑含 cache 命中(NodeBB:3.37M,cache_read 3.32M)。总 input 量级相近,**不得**据此表读「sema 烧 30×token」。对齐口径后再比成本。
+- wall 互有胜负(NodeBB sema 快 21%,navidrome CC 快 35%);patch 规模同量级。
+- 双挂两题(navidrome/NodeBB)patch 都不小(17-152K)且 exit=0:两引擎都「认真做完但没过测试」,是能力题不是管线题。
+
+## 后续
+- 扩样本(≥20 实例)才有分辨力;当前 4 实例仅证管线可用。
+- CC turns 埋点口径对齐;token 计量双腿同源化。
+- 本档随 M3 判决批入 ledger。

package/docs/TB-EFFICIENCY-TELEMETRY-2026-07-08.md

@@ -0,0 +1,114 @@
+# TB 效率遥测:同预算内 sema 为何迭代不完(2026-07-08)
+
+纯读现成 trial 数据,零机时。对象=踩预算天花板的三道题(path-tracing / path-tracing-reverse / circuit-fibsqrt)。
+双方**同一底模** `deepseek-v4-pro`(sema 腿与 CC 腿 config 均如此)→ 本报告量的是 **harness 机械效率差**,非模型智商差。
+
+## 数据来源
+- sema FAIL 轨迹:`~/sema-tb/jobs/a1-ccdiff-1258-fb/long/<题>__*/agent/events.jsonl`(全 reward=0,跑满预算被掐)
+- CC PASS 轨迹:`~/sema-tb/jobs/cc-pro-r3-full/<题>__*/agent/sessions/projects/-app/*.jsonl`(reward=1)
+  - 注:`cc-pro-full/`(r1)这三道 CC **也全败**(reward=0);唯 r3 复跑 PASS。取 PASS 腿做「成功轨迹长啥样」对照。
+- 对照组 portfolio-optimization:sema PASS(`short/…k9C472N`)vs CC PASS(`r3…7Fiu2kn`),排除「我们本来步子大」的普遍解释。
+
+## 指标口径
+- **LLM call = 迭代轮数**:sema 数 `turn_end` 事件;CC 按 usage 签名去重后的 assistant 轮(一轮的多个 content-block 共享一份 usage,只算一次)。
+- **墙钟拆分**:sema 有 per-tool `tMs` 时间戳 → 可拆 LLM 等待 vs 工具执行;CC session jsonl **无 per-tool 时长** → 该两列 N/A(数据缺口)。
+- **上下文曲线**:单 call 输入 token(sema=inputTokens;CC=input+cache_read,即喂给模型的实际前缀长度)取首/中/尾三点。
+- **compaction**:sema 有显式 `compacted` 事件(tokensBefore→After);CC 未见压缩事件(靠大窗口硬扛)。
+
+---
+
+## 逐题指标表
+
+### circuit-fibsqrt(sema 预算 51 min / CC ~30 min)
+
+| 指标 | sema E6mDcdG | sema gGJQweK | sema kqhqAcv | **CC PASS uZZmFRq** |
+|---|---|---|---|---|
+| 结果 | FAIL(掐) | FAIL(掐) | FAIL(掐) | **PASS** |
+| LLM calls(迭代轮) | 83 | 58 | 56 | 45 |
+| 工具调用总数 | 85 | 64 | 56 | 45 |
+| 工具分布 | Bash25/Read34/Edit18 | Bash26/Read20/Write6 | Bash28/Read12/Edit9 | Bash26/Write9/Read4 |
+| 失败工具调用 | 0 | 0 | 0 | 0 |
+| 最长同错连击 | 0 | 0 | 0 | 0 |
+| 上下文首/中/尾 | 9.6k/47k/**0** | 9.6k/**97k**/0 | 9.6k/27k/0 | 19k/98k/**157k** |
+| 上下文峰值 | 77k | 97k | 82k | **157k** |
+| **压缩次数** | **7** | **5** | **5** | **0** |
+| 输出 token 总量 | 156k | 161k | 158k | 126k |
+| 单 call 平均输出 | 1877 | 2769 | 2814 | 2801 |
+| 工具结果均值/峰值 (bytes) | 2453 / 17259 | 1642 / 11751 | 1003 / 11751 | 743 / 11514 |
+| 墙钟 | 3056s | 3056s | 3056s | 1829s |
+| └ LLM 等待 / 工具执行 | 3028s / **28s** | 3045s / 11s | 3053s / 3s | N/A |
+
+### path-tracing(sema 预算 25 min / CC ~30 min)
+
+| 指标 | sema hVmAMFj | sema pFFdfLG | sema RtgPvTe | sema ZyW9CGX | **CC PASS 9bq5wz8** |
+|---|---|---|---|---|---|
+| 结果 | FAIL | FAIL | FAIL | FAIL | **PASS** |
+| LLM calls | 40 | 50 | 51 | 51 | 42 |
+| 工具总数 | 39 | 52 | 52 | 52 | 56 |
+| 失败工具 / 最长连击 | 0/0 | 0/0 | 0/0 | 0/0 | 6/1 |
+| 上下文首/中/尾 | 9.5k/49k/0 | 9.5k/34k/0 | 9.5k/55k/0 | 9.5k/54k/0 | 19k/82k/**132k** |
+| 上下文峰值 | 58k | 62k | 72k | 86k | **132k** |
+| **压缩次数** | **3** | **3** | **4** | **4** | **0** |
+| 输出 token 总量 | 80k | 72k | 73k | 85k | 88k |
+| 单 call 平均输出 | 1992 | 1432 | 1431 | 1667 | 2085 |
+| 墙钟 | 1526s | 1572s | 1586s | 1602s | 1785s |
+| └ LLM 等待 / 工具执行 | 1475s / 51s | 1431s / 141s | 1556s / 30s | 1534s / 68s | N/A |
+
+### path-tracing-reverse(sema 预算 25 min / CC ~30 min)
+
+| 指标 | sema 7hCGBZA | sema eQdvhby | sema ETCXTZ6 | sema sFNTMpa | sema SkRVzWb | **CC PASS 22acJoq** |
+|---|---|---|---|---|---|---|
+| 结果 | FAIL | FAIL | FAIL | FAIL | FAIL | **PASS** |
+| LLM calls | 61 | 27 | 39 | 52 | 65 | 49 |
+| 工具总数 | 97 | 48 | 62 | 84 | 112 | 72 |
+| 失败工具 / 连击 | 0/0 | 0/0 | 1/1 | 0/0 | 0/0 | 7/**3** |
+| 上下文首/中/尾 | 9.5k/46k/0 | 9.5k/40k/0 | 9.5k/44k/0 | 9.5k/42k/0 | 9.5k/42k/0 | 19k/118k/**226k** |
+| 上下文峰值 | 71k | 108k | 62k | 90k | 100k | **226k** |
+| **压缩次数** | **6** | **4** | **5** | **8** | **6** | **0** |
+| 输出 token 总量 | 75k | 81k | 73k | 78k | 69k | 140k |
+| 单 call 平均输出 | 1232 | 2993 | 1870 | 1507 | 1068 | 2853 |
+| 墙钟 | 1526s | 1526s | 1526s | 1526s | 1526s | 1771s |
+| └ LLM 等待 / 工具执行 | 1518s / 8s | 1524s / 2s | 1524s / 2s | 1518s / 8s | 1518s / 8s | N/A |
+
+---
+
+## 对照组基线:portfolio-optimization(双方 PASS)
+
+| 指标 | sema PASS k9C472N | CC PASS 7Fiu2kn |
+|---|---|---|
+| LLM calls | 13 | 15 |
+| 工具总数 | 15 | 18 |
+| 失败工具 | 0 | 0 |
+| 上下文首/中/尾 | 9.6k/16k/**18k** | 19k/32k/**33k** |
+| 上下文峰值 | 18k | 33k |
+| **压缩次数** | **0** | **0** |
+| 输出 token 总量 | 4.3k | 10.6k |
+| 墙钟 | 129s | 176s |
+| └ LLM 等待 / 工具执行 | 71s / 58s | N/A |
+
+**基线读数**:题一简单,两个 harness 都 ~14 轮、上下文平缓爬到 18–33k、**零压缩**、2–3 min 收工。两侧步幅、迭代节奏基本对齐 → 排除「sema 天生步子大/慢」的普遍解释。**差异只在难题上炸出来**,且炸点是压缩,不是步幅。
+
+---
+
+## 结论段:效率差主要落在哪个环节
+
+**首因 = 上下文窗口纪律差,触发压缩churn,不是迭代次数不够、不是空转连击、不是单步命令卡死。**
+
+1. **不是迭代次数不够,反而更多。** 三道难题 sema 的 LLM 轮数普遍 ≥ CC(circuit 56–83 vs 45;reverse 27–65 vs 49)。sema 转得**更多**却做不完,说明每一轮的边际产出被侵蚀。
+
+2. **不是空转连击 / 错误循环。** sema 失败轨迹 `tool_err` 几乎全 0、最长同错连击 ≤1。反倒是 **CC PASS 腿有更多工具报错**(reverse 7 次、连击 3;path-tracing 6 次)却能纠错走通。sema 不是卡在报错泥潭,tail-20% 是**正常的编辑-重编译-grep 验证循环**(circuit 尾段:Edit sim.c → gcc 重编 → grep step 输出 → 再 Edit),机制上是「在正确地慢慢试」。
+
+3. **不是单步命令卡死。** 墙钟拆分显示工具执行总时长极小(**2–141 秒**,占墙钟 <10%,难题里多数 <1%)。**96–99% 的墙钟是 LLM 等待**。没有被单个长命令吞掉时间。
+
+4. **决定性差异 = 压缩 churn 吃掉了预算。**
+   - **CC PASS 上下文单调爬升,直冲窗口上限,全程零压缩**:circuit 157k、path 132k、reverse **226k**,一次工作记忆连续保持到完工。
+   - **sema FAIL 上下文在 ~50–100k 处反复被压**:每道题 **3–8 次 compacted 事件**,tokensBefore→After 反复 ~50k→30k 锯齿。circuit 最惨(5–7 次压缩 × 3 腿)。
+   - 每次压缩=一次昂贵的「读全上下文 + 生成摘要」LLM 调用(样本单次 durationMs ~14s),且压缩后模型丢失刚建立的推理链,常需重新读文件、重新推导(circuit 腿 Read 高达 34 次即此症状)。**压缩把预算从「解题」抽走去做「记账」,并让每轮的有效工作记忆缩水**,于是 25/51 min 墙钟预算耗尽而任务未收敛。
+
+5. **触发面根因**:sema 的压缩阈值明显在 ~50–100k 触发,而 CC 让上下文跑到 130–226k 不压。同底模、同类工具产出体量(工具结果峰值双方都 ~11–17k bytes,量级一致),差异纯在 **harness 何时决定压缩**。sema 压得太早太频。
+
+**一句话**:同预算内 sema 迭代不完,不是因为想得少或试得笨,而是 **过早、过频的上下文压缩把墙钟预算耗在记账与重复重建工作记忆上**;CC 靠更大的连续上下文窗口一口气扛到底,把同样的预算全花在解题迭代上。
+
+**可执行指向**(遥测层不做判决,只标方向):压缩触发阈值上移 / 压缩后保留段策略 / 大窗口直扛,是这三道题最直接的效率杠杆。对照组证明简单题不触发压缩时双方齐平,故这是**难题专属的机械瓶颈**,非普遍慢。
+
+**数据缺口**:CC session jsonl 无 per-tool 时长戳,CC 侧 LLM 等待/工具执行拆分为 N/A;CC 侧无 reasoning_delta,推理 token 不可单列(仅有 output_tokens 合计)。sema 侧两个 trial(path-tracing fEafvLr、circuit twPEDnA)verifier 空、末事件为 reasoning_delta=harness 侧中途掐断,已排除出统计。

package/docs/TB-FAILURE-AUTOPSY-2026-07-05-RERUN.md

@@ -0,0 +1,67 @@
+# TB 复跑失败尸检（2026-07-05,full-pro-1236 边跑边挖)
+
+> **状态**:INTERIM（活体分析)。pro 腿复跑进行中,本报告覆盖**首 32 任务完成时的 13 个 reward=0 失败**;flash 腿与全量收尾后追加。
+> **上下文**:1.236.0 tgz(verifier uv 预植 + 预算对齐 0.85× + retain + deadline nudge)。上夜脏基线 pro 0.303 / flash 0.416(含 24/89 verifier 无效判分)。
+> **节点**:k3s@172.30.228.8 `~/sema-tb/jobs/full-pro-1236/`。模型 deepseek/deepseek-v4-pro,timeout_multiplier=1.0(任务原生预算),TB_TIMEOUT_SEC=0.85×任务声明。
+
+## 逐任务尸检表(13 个失败)
+
+| 任务 | 主类 | 终态证据 | 引擎可改进? |
+|---|---|---|---|
+| archive-key-recovery | ⏱️timeout | status=timeout turns=45 tokens=623K;暴力试密码/john 跑满 765s 未破解 | 否(全或无 + 预算) |
+| regex-chess | ⏱️timeout | turns=118 tokens=5.3M $1.50;churn 118 轮未收敛 | 部分(反复无进展,值 loop 侦测) |
+| path-tracing | ⏱️timeout | turns=42 tokens=1.5M $0.42 | 否(重任务 + 预算) |
+| path-tracing-reverse | ⏱️timeout | turns=44 tokens=1.6M $0.45 | 否(同上) |
+| largest-eigenval | ⏱️timeout | turns=28 tokens=685K | 否(预算) |
+| llm-inference-batching-scheduler | ⏱️timeout | turns=11 tokens=411K | 否(预算) |
+| caffe-cifar-10 | ⏱️timeout | turns=13 tokens=129K;ML 训练类 | 否(预算/资源) |
+| gpt2-codegolf | ⏱️timeout | turns=4 tokens=93K;4 轮即超时=超长单次生成 | 待查(单 turn 过长) |
+| chess-best-move | 🔁degenerate | status=failed errorCode=output.degenerate turns=16 | T1-4 已触发(2 次重试封顶仍退化) |
+| winning-avg-corewars | 🔁degenerate | status=failed output.degenerate turns=19 | T1-4 已触发(同上) |
+| mteb-retrieve | 🎯能力近失 | completed,产出排序表但 test_data_matches FAILED | 否(模型能力) |
+| hf-model-inference | 🌐环境无外网 | completed,HF 模型下不了(sandbox 无出网),诚实做 lexicon fallback | 否(infra;agent 表现优秀) |
+| reshard-c4-data | ❌verifier 无效 | **verifier 自身 DNS error 崩**(需外网),非真 reward-0 | 否(verifier infra) |
+
+## 失败分类计数
+
+| 类别 | 数 | 占比 |
+|---|---|---|
+| ⏱️ timeout(limit.timeout) | 8 | 62% |
+| 🔁 degenerate(T1-4 封顶) | 2 | 15% |
+| 🎯 真能力近失 | 1 | 8% |
+| 🌐 环境无外网(agent 阻断) | 1 | 8% |
+| ❌ verifier infra 无效(DNS) | 1 | 8% |
+
+**真·可归因引擎/模型的失败 = 11/13**(timeout 8 + degenerate 2 + 能力 1);**2/13 是环境/verifier infra**(hf-model-inference 无外网 + reshard-c4-data verifier DNS 崩)。
+
+## 三修复兑现结论
+
+1. **✅ verifier uv 预植 — 彻底兑现**:`uvx: command not found` 全局残留 **0**(上夜 24/89 无效判分的根因清零)。所有失败任务的 verifier 都真正判分了(除 reshard-c4-data 撞新的 DNS 类)。
+2. **⚠️ 预算对齐 — 生效但 timeout 仍主导**:`TB_TIMEOUT_SEC=765`(900s×0.85)可见生效,引擎在 harness 硬杀前自停(对齐正确)。但 **timeout 仍占 8/13**——因为这些是**硬长任务**(cipher 类数值搜索、ML 训练、path-tracing 渲染),TB 用任务原生预算(multiplier 1.0),而 DeepSeek 官方 67.9 用 3 小时宽松上限(高 multiplier)。**这是 harness 配置权衡,非引擎缺陷**:提高 agent_timeout_multiplier 会转化数个 timeout,但那不是任务声明的"公平"预算。
+3. **deadline nudge — 已部署已武装,TB 杠杆有限**:1.236 tgz 的 runtask.js 含 nudgeSchedule 代码,sema-tb.ts 设 timeoutSec 且 deadlineNudge 默认 ON → 在 80%/95% 触发。CLI 转录(sema.txt)不渲染注入的 system-reminder,故 grep 不到,**不代表没触发**。**诚实评估:TB 全或无判分下 nudge 杠杆低**——它防"写到一半被硬砍",但把未解任务"提前收尾"仍是 0 分(archive-key-recovery 到 turn 44 还在试密码,nudge 让它收尾也无解可交)。**nudge 的真价值在可交付型负载(make-real / dev 任务),非全或无 benchmark**。
+4. **retain — 本批 13 失败未涉留驻服务类**(kv-store-grpc 在 smokeC 已 reward=1 兑现);当前失败无一是留驻服务形态,retain 不被这批失败检验。
+
+## archive-key-recovery 矛盾定谳
+
+**不是 verifier 回退,是 agent 真超时。** 全量这次:status=timeout,45 turns,52 次工具调用,暴力试密码 + john the ripper 跑满 765s 预算未破解,末 turn `in=0 out=0`(硬砍,T1-5 记账场景实锤)。verifier 正确判"无 solution.txt"。smokeC 那次 reward=1 是**采样运气好破了密码**,全量这次采样没在预算内收敛。**根因 = 模型非确定性 + 硬任务(破解本质耗时)+ 任务原生预算(765s)偏紧**。复跑可信度不受影响:verifier 两次都对,是 agent 两次表现不同。
+
+## 引擎侧新发现
+
+1. **🆕 sandbox 无出网 = 双面阻断**:k3s 沙箱无外网,同时阻断 **agent**(hf-model-inference 下不了 HF 模型)与 **verifier**(reshard-c4-data 的 verifier DNS 崩)。这是超出 uvx 的**新 verifier 无效判分类 + 环境限制类**。部分 TB 任务需外网(模型/数据下载),沙箱拒绝。**reshard-c4-data 的 reward-0 是无效判分(verifier 崩),非真失败**。→ 处置候选:①沙箱开受控出网(HF/PyPI 镜像白名单)②或标记这类任务为 env-blocked 排除出分母(与 uvx 修同哲学:不让 infra 噪声污染能力分)。
+2. **regex-chess 118 轮无进展**:反复 churn 5.3M tokens 未收敛——上夜"无重复读/无效重试循环"结论在此任务被部分推翻,值一个"无进展侦测"(N 轮无状态推进 → 提示换策略或早停),与 T1-4 退化侦测同族但针对"有效但原地打转"。候选独立小批。
+3. **gpt2-codegolf turn=4 即 timeout**:仅 4 轮就耗尽 765s = 单次生成/单工具调用超长。值查是否某工具(长 Bash / 长 brain call)吃满预算,与上夜 T1-3 contextWindow 抖动可能相关。
+
+## 早期分数信号(非结论,前 32 任务)
+
+- 完成 32,reward: 满分约 40%(与上夜 pro 0.303 脏基线比,verifier 修后干净分显著上浮迹象)。
+- uvx 无效判分清零 = 上夜"0.303 是硬下界"判断成立的直接证据。
+- **对标口径提醒**:DeepSeek 官方自报 V4-Pro 67.9% 用 3h 宽松 harness,非第三方通用 harness 分;第三方官方榜(tbench)DeepSeek 仅 V3.2×Terminus2=39.6%,V4 无第三方上榜。我们 V4×sema-core 的干净基线是稀缺的第三方 V4 agent 数据,合理对标第三方榜中游而非厂商主场天花板。
+
+## 处置候选(待全量收尾后定优先级)
+
+| 项 | 类型 | 杠杆 |
+|---|---|---|
+| 沙箱受控出网(HF/PyPI/HTTP 镜像白名单)| 节点 infra | 回收 env-blocked + verifier-DNS 无效判分(≥2 例已见) |
+| 无进展侦测(N 轮无状态推进→换策略/早停)| 引擎小批 | regex-chess 类 churn;省 token + 可能救分 |
+| gpt2-codegolf 单 turn 超长根因 | 引擎查 | 与 T1-3 contextWindow 可能相关 |
+| agent_timeout_multiplier 是否放宽 | harness 配置权衡 | 转化部分 timeout,但牺牲"任务声明预算"的公平性——**建议保持 1.0,诚实基线** |

package/docs/TB-FAIRNESS-AUDIT-2026-07-08.md

@@ -0,0 +1,141 @@
+# TB 2.0 对决公平性审计 — CC(claude-code)vs sema(@sema-ai/core)
+
+> 目的:在把效率差异归因于「真能力」之前,穷举两腿的所有配置变量,逐项取证标 SAME/DIFF/UNKNOWN。
+> 只谈机制面;不含任何 key 值。CC 源锚以 198 为准;实测锚以海外机 trial 目录为准。
+> 日期:2026-07-08(数据来自 rerun-n5-1258-fb / a1-ccdiff-1258-fb / cc-pro-r3-full / cc-pro-full)。
+
+## 取证坐标速查
+- **CC 官方 adapter**:`~/.local/share/uv/tools/harbor/lib/python3.12/site-packages/harbor/agents/installed/claude_code.py`(本审计已拉全,行号锚见下)
+- **sema adapter**:`~/sema-tb/tb/harbor_adapter/sema_agent.py`
+- **CC 启动脚本**:`~/sema-tb/cc-1244-era.sh`(生成 cc-pro-r3-full)、`~/sema-tb/night-cc.sh`(生成 cc-pro-full)
+- **sema 启动脚本**:`~/sema-tb/a1-ccdiff.sh`、`rerun-n5-1258*.sh`
+- **sema CLI**:`src/bin/sema-tb.ts`;请求构造 `src/brain/{openai,reasoning,request-params}.ts`
+- **CC 活体 trial**:`~/sema-tb/jobs/cc-pro-r3-full/<task>/agent/{trajectory.json,sessions/*.jsonl}`,`agent/claude-code.txt`(stream-json 原始)
+
+---
+
+## 一、adapter / 启动层(维度 E)
+
+| 变量 | CC 值(证据) | sema 值(证据) | 判定 | 影响 / 墙钟敏感度 |
+|---|---|---|---|---|
+| harbor agent 名 | `-a claude-code`(TB 内建 adapter,cc-1244-era.sh) | `-a tb.harbor_adapter.sema_agent:SemaAgent`(自研 adapter,a1-ccdiff.sh) | DIFF(结构) | 中性——两者都由 harbor 起容器 |
+| **实际跑的 CC 版本** | **2.1.201**(trajectory.json `agent.version`;session jsonl `version`) | @sema-ai/core 1.258.2(SEMA_CORE_TGZ) | DIFF | 中性;注:任务要求锚 198,实测 CC 是 201(略新) |
+| 模型串 / 端点方言 | `-m deepseek-v4-pro` + `ANTHROPIC_BASE_URL=api.deepseek.com/anthropic`(night-cc.sh/cc-1244-era.sh)→ **Anthropic messages 方言** | `-m deepseek/deepseek-v4-pro`,无 DEEPSEEK_BASE_URL → 落 `PROVIDER_DEFAULTS.deepseek.baseUrl=api.deepseek.com`(sema-tb.ts:114)→ **OpenAI chat/completions 方言** | **DIFF(重大)** | 利谁未知 / 高敏感——同一 DeepSeek 后端,但两套 API 表面。thinking 启用、缓存、token 计费、tool_choice 语义都按各自方言走(详见二、三)|
+| 并发 `-n` | `-n 5`(cc-1244-era.sh) | `-n 4`(a1-ccdiff.sh,评测腿并发硬帽) | **DIFF** | 利 CC(4 并发 pass 83% vs 全铺开 33%,并发=测量污染源见 MEMORY);CC 并发更高本应更污染 CC,方向=**利 sema 判决更保守**。墙钟高敏感 |
+| 重试 `-k` / retry | `-r 1 --retry-include AgentSetupTimeoutError`(仅 setup 超时重试) | 同左 + `-k 5`(N=5 重复);`--retry-include AgentSetupTimeoutError` 同 | SAME(容错策略)/ DIFF(k 仅 sema 用于方差取样) | 中性(k 是取样非单跑) |
+| setup 超时倍率 | `--agent-setup-timeout-multiplier 2.0` | 同 `2.0` | SAME | 中性 |
+| 安装网络路径 | apk/apt 装 nodejs+npm+procps,再 `bootstrap.sh`(claude_code.py:176-206);CN egress 走官方源 | 自研:node dist tarball(可镜像)+ `npm install -g <tgz>` + uv 预植入(sema_agent.py install()) | DIFF | 中性(仅影响 setup 成败,不入题预算;两腿都 retry setup 超时) |
+| secret 传输 | `docker exec -e ANTHROPIC_API_KEY=…`(claude_code.py env dict 走 exec env) | 0600 env 文件走 logs mount,source 后删(sema_agent.py `_write_env_file`/run) | DIFF | 中性(仅安全姿态) |
+| exit-code 语义 | CC 非零 exit → NonZeroAgentExitCodeError | sema-tb 任何 engine 终态都 exit 0(verifier 独占评分,sema_agent.py 类 docstring) | DIFF | 利 sema——避免「自停但 verifier=1」被埋成 0(已知案) |
+| verifier uv 预植 | 无(依赖 CC 容器自身) | 预植 uv/uvx + PyPI/python-build-standalone 镜像(sema_agent.py `_plant_uv`) | DIFF | **两腿都受益**——uv 预植是修 verifier 侧 CN-egress 死亡(24/89 假 0),对 CC 腿 verifier 同样跑;但 CC 腿脚本**未**植 uv → CC 的 verifier 若撞 uv egress 死会假 0。**利 sema / 需复核 CC 腿是否有假 0** |
+
+> ⚠️ **E 维度头号嫌疑**:CC 腿的 verifier 没有 uv 预植入。sema_agent 的 uv 预植是 host→容器 mount,只对 sema trial 生效。若 CC 腿某些题的 test.sh 也走 `curl astral.sh | sh` 且 CN-egress 死,CC 会记假 0。**这会系统性压低 CC 分数 = 利 sema**。最小取证见文末。
+
+---
+
+## 二、LLM 请求体逐字段(维度 A)
+
+| 字段 | CC 值(证据) | sema 值(证据) | 判定 | 影响 |
+|---|---|---|---|---|
+| API 方言 | Anthropic `/v1/messages`(ANTHROPIC_BASE_URL=…/anthropic) | OpenAI `/chat/completions`(api="openai-completions",sema-tb.ts:170) | **DIFF** | 见一 |
+| `max_tokens`(单次输出上限) | CC 默认;`CLAUDE_CODE_MAX_OUTPUT_TOKENS` 未设 → CC 内建默认(Anthropic class ~32k;活体 probe raw-capture2 `max_tokens:32000`) | **8_192**(PROVIDER_DEFAULTS.deepseek.maxTokens,sema-tb.ts:116) | **DIFF(重大)** | **利 CC**——sema 单轮输出被 clamp 到 8k,长补丁/长文件写会被截断迫使多轮;CC 可一次吐 4×。高敏感(多轮=更多墙钟+更多截断风险) |
+| context window(压缩阈值基线) | Anthropic 别名 → 200k class(claude_code.py 设 ANTHROPIC_DEFAULT_*_MODEL=deepseek-v4-pro,CC 按其模型档判窗) | **64_000**(PROVIDER_DEFAULTS.deepseek.contextWindow,sema-tb.ts:115) | **DIFF(重大)** | **利 CC**——sema 认 64k 窗 → 长任务**远早触发压缩**;CC 认更大窗晚压缩。DeepSeek v4 真实窗需核(若真 64k 则 sema 更诚实,CC 会超窗报错;若 >64k 则 sema 自缚)。高敏感 |
+| thinking 启用参数 | 不显式(无 `--thinking`/`--effort`;CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING 未设)→ CC **adaptive thinking 默认 ON**;经 Anthropic 方言,thinking 由 CC 客户端注入 | sema **不发** thinking 键:harness `thinkingLevel ?? "off"`(agent-harness.ts:290),sema-tb 未传 thinking → `applyThinking` 早退(openai.ts:194 `!reasoning\|\|off` return)。DeepSeek 走服务端默认推理 | **DIFF(机制不同,行为可能同)** | UNKNOWN 方向——两腿都不显式设 budget/effort,都吃 DeepSeek 服务端默认推理。但 CC 走 Anthropic 方言可能触发 DeepSeek anthropic 端的 thinking block 协议,sema 走 openai 端吃 `reasoning_content`。**需活体对比两腿单请求体** |
+| thinking budget / effort | 未设(adaptive) | 未设(off tier → 无 reasoning_effort) | SAME(都不设显式 budget) | 中性 |
+| `temperature` | CC 内建默认(未在 adapter 覆盖) | sema 未在 sema-tb.ts 覆盖 → brain 默认(openai.ts 有 temperature 保留键;值需核 brain 默认) | UNKNOWN | 需核两腿实际 temperature |
+| `parallel_tool_calls` | Anthropic 原生多 tool_use/turn(trajectory 见一 turn 多 Bash) | openai brain 是否发 parallel_tool_calls 需核;streamingToolExecution:true(sema-tb.ts:398) | UNKNOWN | 需核 |
+| `tool_choice` | 未强制(auto) | 未强制 | 假定 SAME | 中性 |
+| `stream` | `--output-format=stream-json`(claude_code.py:1445)= 流式 | streamingToolExecution + brain.stream(sema-tb.ts) = 流式 | SAME | 中性 |
+| prompt 缓存 | 活体:`cache_read_input_tokens:0 / cache_creation:0`(cc-pro-r3-full session jsonl usage)→ **DeepSeek anthropic 端不给 CC 缓存**;每轮全额 input(样本 19137/轮) | sema 走 DeepSeek openai 端,DeepSeek 原生 context-cache(自动),cost 表 cacheRead=0.028(sema-tb.ts:123)→ 若命中则省 | **DIFF(疑)** | **利 sema**——CC 每轮付全额 input token(无缓存)→ 更慢更贵;sema 若命中 DeepSeek 自动缓存则省 input。**高敏感,需核 sema 侧真实 cache_read** |
+| 请求头(beta/版本) | Anthropic messages 头(CC 注入 anthropic-version 等) | OpenAI 头 | DIFF(方言副产) | 中性 |
+
+---
+
+## 三、上下文管理(维度 B)
+
+| 变量 | CC 值 | sema 值 | 判定 | 影响 |
+|---|---|---|---|---|
+| 压缩/microcompact 触发窗 | CC 按其 model 档(见二 context window) | 按 64k 窗 + core auto-compaction(compaction.ts) | DIFF | 见二,利 CC(sema 早压缩) |
+| 工具结果截断上限 | CC 官方 tool_result 截断(bash 输出 clamp,Read 行/字节闸) | sema tools 侧截断(见 CC-PARITY-CHECKLIST,tool-surface 已对齐批);sema WebFetch 走 summarize(sema-tb.ts:432,复用主 brain) | 多数 SAME(已 parity 对齐)/ WebFetch DIFF | 中性(TB 容器少 egress) |
+| system prompt 总量 | CC 官方 system(activedeepseek 经 Anthropic system 字段;活体 system-prompt.txt ~12KB) | `FULL_BODY_SYSTEM_PROMPT`(default.ts:573 = CODE_AGENT_PROMPT+AUTONOMY_SELF_AUDIT+ANTI_VERBOSITY+TOOL_PARAM_JSON)= CC-shell parity face | 近 SAME(刻意对齐)/ 细节 DIFF | 低敏感(1.258.3 tool description 对齐批;system 主体已 parity) |
+| 图像/大输出 | CC 官方 | sema 图像降采样已 port(CHECKLIST #1/#2/#9),input:["text"] only(sema-tb.ts:175)→ **sema TB 腿不收图** | DIFF | 利 CC(纯视觉题;但 TB deepseek 无视觉→中性) |
+| 开场上下文大小 | instruction + CC system + tools array | instruction + full-body system + full-body tools(assembleFullBodyTools) | 近 SAME | 低敏感 |
+
+---
+
+## 四、重聚焦 / 纪律机制(维度 C)
+
+| 变量 | CC 值 | sema 值 | 判定 | 影响 |
+|---|---|---|---|---|
+| turn/迭代上限 | **无 `--max-turns`**(cc-1244-era.sh 未传;CLAUDE_CODE_MAX_TURNS 未设)→ CC 内建默认迭代上限 | **`TB_MAX_TURNS` 默认 120**(sema-tb.ts:307) | **DIFF** | UNKNOWN 方向——需核 CC 内建默认 turn 上限值。若 CC 默认 >120,利 CC(更多轮);若 <120,利 sema |
+| todo 停更提醒 nudge | CC 官方 todo reminder(内建) | `todoReminder:true` 默认 ON(sema-tb.ts:420,design/133 弱模型漂移安全网) | DIFF(各有各的) | UNKNOWN——两腿都有 todo 提醒但实现不同 |
+| natural-end 自验证门 | **无**(CC 无此机制) | **`finalVerification:true` 默认 ON**(sema-tb.ts:409,design/132)——自然结束前强制自验证 | **DIFF(sema 独有)** | 利 sema(减少「以为做完实际没做」);墙钟中敏感(多一轮验证) |
+| 单 call 输出 clamp(deadline) | 无 | `callCapByDeadline` 默认 ON(sema-tb.ts:405)——临近 deadline 逐 call 收缩输出 | **DIFF(sema 独有)** | 利 sema(deadline 前抢救输出) |
+| graceful finalize | 无 | `gracefulFinalize` 默认 ON(sema-tb.ts:406,P2/P2b finalize 族) | **DIFF(sema 独有)** | 利 sema(超时前 flush 可验证工作) |
+| 空转/退化重复检测 | CC 官方 | openai brain `repetition` 检测(brain/repetition.ts,degenerate repetition 切断) | 近 SAME(各有) | 中性 |
+| 退化修复循环 | CC 官方 | tool-call-repair.ts / loop.recovery | 近 SAME | 中性 |
+
+> ⚠️ **C 维度头号不公平嫌疑**:`finalVerification` + `callCapByDeadline` + `gracefulFinalize` 三件是 **sema 独有的 deadline/自验证机制**,CC 完全没有等价物。这是 sema 针对 TB autonomy 形态定制的「评测主场」优化(注释直言「the evidence's home turf」)。**方向=系统性利 sema**。这不是「配置不公平」(sema 有权用自己的引擎能力)但**是「真能力差」的一部分还是「TB 特调」需要判决**——若这些机制在交互式部署默认 OFF,则它们是「为 TB 刷分定制」,削弱「sema 引擎普遍更强」的论断。
+
+---
+
+## 五、重试与容错(维度 D)
+
+| 变量 | CC 值 | sema 值 | 判定 | 影响 |
+|---|---|---|---|---|
+| API 错误重试/退避 | CC 官方内建重试 | brain/retry.ts + circuit-breaker.ts + failover.ts(sema 有完整重试/熔断/降级栈) | DIFF(sema 更重) | 利 sema(API 抖动韧性;墙钟中敏感——重试吃墙钟但救成功率) |
+| rate-limit 处理 | CC 官方 429 退避 | brain/retry.ts 退避 | 近 SAME | 中性(墙钟高敏感但两腿都有) |
+| 工具失败后行为 | CC 官方(tool error 回喂模型) | tool error 回喂(routable error) | SAME | 中性 |
+| 模型降级/failover | 无(单模型) | failover.ts + degrading.ts(但 TB 单模型 → 未触发) | DIFF(TB 下未触发) | 中性 |
+
+---
+
+## 六、agent 循环结构(维度 F)
+
+| 变量 | CC 值 | sema 值 | 判定 | 影响 |
+|---|---|---|---|---|
+| subagent / 后台并行 | **`ENABLE_BACKGROUND_TASKS=1` + `FORCE_AUTO_BACKGROUND_TASKS=1`**(claude_code.py:1329-1330);subagent model 别名=deepseek-v4-pro(claude_code.py:1395)→ **CC 可派 subagent + 后台任务** | **无 subagent、无 backgroundTasks**:sema-tb tools=WebFetch+TodoWrite only(sema-tb.ts:427 注「no subagent in the TB container」);`TB_BGTASKS` 默认 OFF(sema-tb.ts:413-421) | **DIFF(重大)** | UNKNOWN 方向——CC 可分解并行(长任务或有利),但 subagent 消耗 token/墙钟且弱模型 subagent 可能拖累;sema 单线程更可控。**需按题型核**(可分解题利 CC,单线题中性) |
+| permission / 沙箱门 | `--permission-mode=bypassPermissions`(claude_code.py:108 default)+ `IS_SANDBOX=1` → 全自动无门 | `onAsk:"allow"` + 无 tool policy(sema-tb.ts:397「container is the sandbox」) | SAME(都全自动) | 中性 |
+| 后台服务存活(daemon 题) | CC 后台任务由 CC 管理 | `retainBackgroundProcesses:true`(sema-tb.ts:384,design/128 kv-store-grpc 类 verifier 后连) | DIFF | 中性/利 sema(daemon 题 verifier 后连)——已知 1.258.1 daemon 族修 |
+| 工具集(tool surface) | CC 全套(Read/Write/Edit/Bash/Grep/Glob/Task/WebFetch/WebSearch/TodoWrite/NotebookEdit…) | full-body 子集(见 assembleFullBodyTools;无 WebSearch backend、无 Task/subagent) | DIFF | UNKNOWN——CC 工具更全(WebSearch/Task);但 TB 容器无 egress → WebSearch 多半 no-op。tool description 文本已对齐(1.258.3)|
+| SIGTERM 宽限 / buffering | harbor 统一超时信号 | 同 harbor;sema-tb `stdbuf -oL tee`(sema_agent.py run,行缓冲) | SAME | 中性 |
+
+---
+
+## 七、题预算(维度 E 补,已知案深挖)
+
+| 变量 | CC 值 | sema 值 | 判定 | 影响 |
+|---|---|---|---|---|
+| multiplier | 1.0(已知同) | 1.0 | SAME | — |
+| **自设内部 deadline** | **无**——CC 跑到 harness 硬杀(task.toml timeout_sec) | **`TB_TIMEOUT_SEC = 0.85 × task_timeout`**(sema_agent.py `_forwarded_env`,`_BUDGET_RATIO=0.85`)→ sema 引擎在硬杀前 **15% headroom 自停** flush | **DIFF(重大)** | **双向**——(a) sema 主动少用 15% 墙钟 = **利 CC**(CC 多 15% 干活时间);(b) 但 sema 用这 15% 做 gracefulFinalize flush 保住可验证工作 = 利 sema。qemu-alpine-ssh 已知在 0.85 预算面存疑,已开 0.97 复跑腿(a1-ccdiff.sh qemu-ratio97)。**高敏感,题依赖** |
+
+---
+
+## DIFF 项按效率影响排序(TOP 清单)
+
+1. **[A] `max_tokens` 8192(sema)vs ~32000(CC)** — 利 CC。sema 单轮输出 1/4,长产出多轮化 → 更多墙钟+截断风险。**最硬的单字段不公平,利 CC。**
+2. **[A/B] context window 64k(sema)vs 200k-class(CC)** — 利 CC。sema 长任务远早压缩。需先核 DeepSeek v4 真实窗判 sema 是「诚实」还是「自缚」。
+3. **[C] finalVerification + callCapByDeadline + gracefulFinalize(sema 独有)** — 利 sema。TB 主场特调三件套,CC 无等价物。判决:是引擎能力还是刷分特调?
+4. **[E] verifier uv 预植入仅 sema 有** — 利 sema。CC 腿可能有 verifier 侧假 0(CN-egress uv 死)。**必须复核 CC 腿失败题的 verifier 日志。**
+5. **[E] TB_TIMEOUT_SEC=0.85 自设 deadline(sema)vs 跑满硬杀(CC)** — 双向、题依赖。sema 让出 15% 墙钟但换 flush 保底。
+6. **[A] prompt 缓存:CC 无缓存(anthropic 端 cache_read=0)vs sema DeepSeek 自动缓存** — 利 sema(疑)。CC 每轮付全额 input。需核 sema 真实 cache_read。
+7. **[F] subagent/后台任务 CC 开 / sema 关** — 题依赖。可分解题利 CC。
+8. **[E] 并发 CC n=5 / sema n=4** — 利 CC(并发是测量污染源,CC 并发更高本会更污染 CC → sema 判决更保守,方向利 sema 的诚实度)。
+9. **[C] turn 上限 CC 内建默认 / sema TB_MAX_TURNS=120** — 未知方向,需核 CC 默认值。
+10. **[E] API 方言 Anthropic vs OpenAI** — 上述多项(缓存/thinking/max_tokens 默认)的根因;本身中性但派生多个 DIFF。
+
+## UNKNOWN 项最小取证方案
+
+- **CC 内建 turn 上限默认值**:CC 201 源 grep `maxTurns`/`DEFAULT_MAX` 默认;或数 cc-pro-r3-full 某长题 trajectory 的 agent step 数是否撞平台。
+- **两腿 thinking 是否真发到 DeepSeek**:抓 CC `agent/claude-code.txt` stream-json 里 assistant message 是否含 thinking block;抓 sema `events.jsonl` 里 `brain.call` 请求体是否含 `thinking`/`reasoning`。各取 1 题对比。
+- **temperature / parallel_tool_calls**:sema 侧读 `src/brain/openai.ts` 的 body 构造默认;CC 侧无法直接看(客户端注入),抓包不可得 → 标 UNKNOWN(DeepSeek 后端对两方言可能各有默认)。
+- **DeepSeek v4-pro 真实 context window / max output**:DeepSeek 文档或对 api.deepseek.com 打一发探 max_tokens 上限 → 判 sema 64k/8k 是诚实还是自缚。
+- **CC 腿 verifier 假 0**:遍历 `cc-pro-r3-full/*/verifier/` 或 `artifacts/logs`,grep `uvx: command not found` / `astral.sh` / egress 失败。若命中 → CC 有假 0,压低 CC 分数。**这是最高优先复核项。**
+- **sema 真实 cache_read**:sema `events.jsonl` 的 `brain.call` cacheRead 字段是否 >0(命中 DeepSeek 自动缓存)。
+- **CC prompt 缓存复核**:cc-pro-full(night-cc.sh)多题 usage cache_read 是否恒 0 → 确认 CC 全程无缓存。
+
+## 判定汇总
+- **SAME**(已知/已核):模型后端、docker runc、multiplier 1.0、题超时倍率、sandbox 全自动门、stream、tool description 文本(1.258.3)、system prompt 主体(刻意 parity)、SIGTERM/buffering。
+- **DIFF-利 CC**:max_tokens、context window、TB_TIMEOUT_SEC 让出 15%、subagent(可分解题)、并发 n。
+- **DIFF-利 sema**:finalVerification/callCap/gracefulFinalize 三件套、uv 预植、exit-code 语义、重试栈、prompt 缓存(疑)、并发更低=判决更保守。
+- **UNKNOWN**:turn 上限、thinking 真实下发、temperature/parallel_tool_calls、DeepSeek 真实窗、CC verifier 假 0。

package/docs/TB-FULL-1257-2026-07-08.md

@@ -0,0 +1,77 @@
+# TB 全量对照:sema 1.257.4 vs 1.249.0 基线(2026-07-08,海外机)
+
+## 跑面口径
+
+| 项 | 值 |
+|----|----|
+| 机器 | 91.199.82.197(与基线同机) |
+| 模型 | deepseek/deepseek-v4-pro(同模型) |
+| harness | harbor + terminal-bench@2.0(同 task commit `69671fb`) |
+| 本轮 | `~/sema-tb/jobs/full-pro-1257-fb`,02:00:51Z → 05:14:36Z,rc=0 |
+| 基线 | `~/sema-tb/jobs/full-pro-1249-fb`(full-1249-two leg1)= **51/89**;同谱系:1249-nocap 46/89、1239-os 49/89 |
+
+## 总分
+
+**1.257.4 = 38/89** vs 基线 1.249.0 = 51/89,**Δ = −13**。
+
+[417] 方差纪律:同版本历史方差 = 19/89 翻转、净摆 ±5。|Δ|=13 **远超 ±5 噪声带 → 方向性回归成立**(非方差可解释)。
+
+## 逐任务四桶(89 题全对齐,无缺题)
+
+| 桶 | 计数 |
+|----|------|
+| 双 PASS | 36 |
+| 双 FAIL | 36 |
+| 翻红(1249 PASS → 1257 FAIL) | **15** |
+| 翻绿(1249 FAIL → 1257 PASS) | 2(chess-best-move、portfolio-optimization) |
+
+交叉核算:36+15=51(基线 PASS ✓)、36+2=38(本轮 PASS ✓)。翻转总量 17/89,略低于历史 19/89,但净摆 −13 严重偏向翻红——**不是对称噪声,是单向系统性失分**。
+
+## 翻红 15 题失败面
+
+共同特征:**15 题全部 exception_info=null、verifier 判 reward=0**——无 AgentTimeoutError、无 NonZeroExit、无 harness 异常;agent 均"正常"跑完,verifier 检查时环境不满足。且 **15/15 全部落在稳定集**(docs/TB-STABLE-SET-2026-07-08.md 的 50 题 = CC 任一轮 PASS ∩ 1249 PASS),全高信号,零散点。
+
+### 疑似 daemon 族(题面要求后台常驻服务/服务器活到 verifier)— 6 题
+
+| 任务 | agent 时长 | 失败面 | 稳定集 |
+|------|-----------|--------|--------|
+| configure-git-webserver | 240s | verifier 判 0(双轨迹复核确认 daemon 被杀) | HIGH-SIGNAL |
+| hf-model-inference | 216s | verifier 判 0(双轨迹复核确认 daemon 被杀) | HIGH-SIGNAL |
+| kv-store-grpc | 117s | verifier 判 0(双轨迹复核确认 daemon 被杀) | HIGH-SIGNAL |
+| pypi-server | 83s | verifier 判 0,agent 极短=服务起完即收尾 | HIGH-SIGNAL |
+| qemu-alpine-ssh | 761s(≈765s 预算顶) | verifier 判 0,VM/sshd 需活到 verifier | HIGH-SIGNAL |
+| qemu-startup | 274s | verifier 判 0,QEMU 进程需常驻 | HIGH-SIGNAL |
+
+### 其它 — 9 题
+
+| 任务 | agent 时长 | 失败面 | 稳定集 |
+|------|-----------|--------|--------|
+| bn-fit-modify | 378s | verifier 判 0 | HIGH-SIGNAL |
+| cancel-async-tasks | 58s | verifier 判 0(agent 极短,存疑:或涉后台进程) | HIGH-SIGNAL |
+| extract-elf | 401s | verifier 判 0 | HIGH-SIGNAL |
+| merge-diff-arc-agi-task | 279s | verifier 判 0 | HIGH-SIGNAL |
+| overfull-hbox | 304s | verifier 判 0 | HIGH-SIGNAL |
+| reshard-c4-data | 285s | verifier 判 0 | HIGH-SIGNAL |
+| rstan-to-pystan | 1527s | verifier 判 0(长跑题) | HIGH-SIGNAL |
+| schemelike-metacircular-eval | 1976s | verifier 判 0(长跑题,4.6M input tokens) | HIGH-SIGNAL |
+| tune-mjcf | 761s(≈765s 预算顶) | verifier 判 0 | HIGH-SIGNAL |
+
+注:qemu-alpine-ssh / tune-mjcf agent 时长贴 765s 内部预算顶 = agent 侧被内部超时收尾(未计为 harness AgentTimeout),属预算内截断非异常。
+
+## 归因与上下文(coordinator 通报,已立案)
+
+翻红根因已定位并修复:**1.257.3 `settleKilledForOwner` 在 run 收尾时击杀 retain env 的后台 daemon**——agent 起的服务在 verifier 检查前被引擎自己杀掉。3 题双轨迹对抗复核确认(configure-git-webserver / hf-model-inference / kv-store-grpc),**修复已入 1.258.1(已发版)**。
+
+该根因与失败面完全自洽:零异常 + verifier 判 0 + daemon 族聚类 ≥3 题 = 系统性立案成立(非方差)。非 daemon 9 题中,部分可能同为后台进程受害(cancel-async-tasks 58s 极短可疑),部分或为正常方差成分(历史净摆 ±5 内可容 ~5 题)。
+
+## 1.258.1 单题复跑候选清单
+
+优先(daemon 族 6 题,预期修复直接翻绿):
+`configure-git-webserver` `hf-model-inference` `kv-store-grpc` `pypi-server` `qemu-alpine-ssh` `qemu-startup`
+
+次优(其它翻红 9 题,验证是否同族受害/方差):
+`bn-fit-modify` `cancel-async-tasks` `extract-elf` `merge-diff-arc-agi-task` `overfull-hbox` `reshard-c4-data` `rstan-to-pystan` `schemelike-metacircular-eval` `tune-mjcf`
+
+## 结论
+
+**1.257.4 相对 1.249.0 判决:方向性回归(38/89 vs 51/89,Δ=−13 远超 ±5 噪声),根因已立案修复(1.257.3 settleKilledForOwner 杀 retain-env daemon,修入 1.258.1)——不需要新 autopsy,需要的是 1.258.1 复跑验证(先 daemon 族 6 题单题,再视情全量)。**