@sema-ai/core 1.276.0 → 1.277.1

package/docs/TB-LEG-GAP-ATTRIBUTION-1261-1263-2026-07-11.md

@@ -1,154 +0,0 @@
-# TB 两腿分差归因 · workflow 原始输出转录(1.261.0 vs 1.263.0)
-
-> 本文件为归因 workflow(`tb-leg-gap-attribution`,19 agent:计分复核 + 17 差异题逐题取证 + 机器税配对)的**原始结构化输出忠实转录**,不含任何二次判读或主观结论。
-> 中性口径:题目一律以「T<序号> + 中性功能类别」呈现,原始题名不入本文件;个别技术描述按中性措辞转录(不改变事实与数字)。
-> 运行标识:腿A = 引擎 1.261.0(测试机,`m3-1261-fb`)· 腿B = 引擎 1.263.0(sc-03,`m3-1263-sc03`)· 同日同窗 · 模型服务 deepseek-v4-pro。
-> 数据源:workflow run `wf_c3868fca-533`(2026-07-11)。
-
----
-
-## 一、计分复核(recount)
-
-| 字段 | 值 |
-|---|---|
-| 腿A 通过 | 60 / 89 |
-| 腿B 通过 | 55 / 89 |
-| 与初账一致 | 是 |
-| 差异题总数 | 17(B 挂 11 + A 挂 6) |
-
-**完整性说明(原文转录)**:复核方法 = 远端单条 python 一把梳遍历(非逐题 cat):腿A 60/89、腿B 55/89,与初账完全一致(A 挂 29 全为 0 分;B 挂 34 = 33 个 0 分 + 1 个因运行超时无判定记录、按挂计)。完整性:两腿各恰 89 个互不重复的题目目录,去后缀基名亦 89 个唯一且两腿题集完全一致,`result.json` 无缺失;时间戳全落本次运行窗——腿A 起始 05:20:35Z~收尾 09:59:16Z(今日),腿B 05:21:09Z~09:49:16Z(今日),文件修改时间与之吻合,无上次运行残留。版本双证:腿A 89 份结果内嵌引擎版本全部 = 1.261.0,且运行日志与机上安装包 `sema-ai-core-1.261.0.tgz` 相符;腿B 89 份全部 = 1.263.0,机上存在 `sema-ai-core-1.263.0.tgz`,均与腿标签一致。抽查:腿A 5 题 + 腿B 3 题满分样本逐一核对判定器产物(得分文件 = 1、结构化测试汇总全通过、测试执行输出可见真实逐条通过记录),确认 1.0 为真实判定非解析伪影。差异集 11 + 6 = 17 题与初账一致,已落盘本地映射文件。
-
-### 差异集清单
-
-| T# | 中性类别 | 挂腿 |
-|---|---|---|
-| T1 | 统计建模类:网络模型参数拟合与修改 | B |
-| T2 | 算法求解类:棋局最优着法计算 | B |
-| T3 | 数据库类:预写日志数据恢复 | B |
-| T4 | 构建类:指令集解释器构建与实现 | B |
-| T5 | 机器学习类:由模型输出重建网络参数 | B |
-| T6 | 机器学习类:文本检索评测流程 | B |
-| T7 | 凭据配置类:凭据文件生成与配置 | B |
-| T8 | 文档排版类:排版溢出修正 | B |
-| T9 | 生物信息类:序列组装计算 | B |
-| T10 | 统计建模类:概率编程代码跨语言移植 | B |
-| T11 | 机器学习类:文本分类模型训练 | B |
-| T12 | 并发编程类:异步任务取消处理 | A |
-| T13 | 生物信息类:序列插入操作 | A |
-| T14 | 服务配置类:邮件列表服务搭建配置 | A |
-| T15 | 图形计算类:光线路径渲染实现 | A |
-| T16 | 虚拟化配置类:虚拟机系统与远程访问服务配置 | A |
-| T17 | 算法求解类:程序对弈平均得分优化 | A |
-
----
-
-## 二、差异题逐题裁决(verdicts)
-
-### 汇总表
-
-| T# | 挂腿 | 死形 | 分类 | 置信 | 挂腿用时(s) | 过腿用时(s) |
-|---|---|---|---|---|---|---|
-| T1 | B | verifier-fail-质量 | variance_likely | high | 214 | 326 |
-| T2 | B | verifier-fail-质量 | variance_likely | med | 806.6 | 757.7 |
-| T3 | B | timeout-walltime | variance_likely | high | 928 | 139 |
-| T4 | B | verifier-fail-质量 | variance_likely | high | 1747 | 1674 |
-| T5 | B | timeout-walltime | variance_likely | med | 896.3 | 743.2 |
-| T6 | B | verifier-fail-质量 | variance_likely | med | 56.5 | 186.1 |
-| T7 | B | verifier-fail-质量 | variance_likely | high | 65.1 | 109.9 |
-| T8 | B | verifier-fail-质量 | variance_likely | med | 247.9 | 577.9 |
-| T9 | B | verifier-fail-质量 | variance_likely | med | 1469 | 1330 |
-| T10 | B | verifier-fail-质量 + timeout-walltime | variance_likely | med | 1797 | 1666 |
-| T11 | B | timeout-walltime | variance_likely | high | 3598 | 2864 |
-| T12 | A | verifier-fail-质量 | variance_likely | med | 126 | 454 |
-| T13 | A | verifier-fail-质量 | variance_likely | high | 882.5 | 737.1 |
-| T14 | A | verifier-fail-质量 | variance_likely | med | 374 | 392 |
-| T15 | A | verifier-fail-质量 | variance_likely | med | 1649.6 | 1796.6 |
-| T16 | A | timeout-walltime | variance_likely | med | 896.7 | 896.3 |
-| T17 | A | verifier-fail-质量 | variance_likely | med | 3352 | 1913 |
-
-分类计:variance_likely 17 / 17 · version_signature 0 · machine_env 0 · harness_budget 0。
-置信计:high 6(T1/T3/T4/T7/T11/T13)· med 11。
-
-### 逐题详情
-
-#### T1 — 统计建模类:网络模型参数拟合与修改(挂 B · high)
-**evidence**:两腿均正常完赛(status=completed,非超时)。腿A(过):agent 执行 326.4s,31 轮 32 次工具调用,tokens 779k,verifier 9/9 通过。腿B(挂):agent 执行 213.9s,30 轮 33 次工具调用,tokens 634k,verifier 7/9 通过,仅挂 2 项且同一根因——一条边的方向写反(输出 M 为父、R 为子,应为反向)。腿B transcript 末尾自述用「字母序在前 = 子节点」的判定规则来定该边方向,但实际应用时把父子写反了(同规则对另一条边 Y/D 却应用正确);腿A 对同一规则应用正确。两腿行为形态高度相似(轮数 31 vs 30、工具调用 32 vs 33、均零工具报错、机制足迹完全一致),差异仅在单点推理落子,属采样方差。
-**versionSignals**:none——a) bash 输出截断标记:两腿 transcript 均未出现,该题工具输出量小未触及 20K/30K 上限;b) repetition 防护事件:两腿均 0;c) 压缩(compaction)事件:两腿均 0;d) 1200s/墙钟:两腿远未触顶(326s/214s);e) 工具报错:两腿 events 均无 is_error=true;两腿 done 行机制足迹完全一致(mech=+capShrinks:1,degraded=no)。
-
-#### T2 — 算法求解类:棋局最优着法计算(挂 B · med)
-**evidence**:两腿均正常完赛且远未触顶(墙钟预算 900s):腿A agent 执行 757.7s、24 轮、25 次工具调用、tokens 946671、cacheHitRate 0.969;腿B 806.6s、27 轮、27 次工具调用、tokens 1231970、cacheHitRate 0.986。两腿零工具报错、零重复防护、degraded=no、机制计数完全相同(finalize+capShrinks:1+toolClamps:2)。失败根因:腿B 从棋盘图像重建局面(像素分析→FEN)时识别有误——其重建局面被引擎评估为全负值、未呈现「一步双杀」结构,故只写入引擎 bestmove 一个着法 g2g4;校验器断言 sorted(move)==['e2e4','g2g4'],实得 ['g2g4'],差一个着法判 0。腿A 正确重建局面(黑王被困),找到两个一步杀着并全部写入(且在 +750s 收到 finalize 截止提醒后仍及时落盘),判 1.0。两腿行为管线形态一致(图像解析→局面重建→引擎验证→写文件),分歧点纯在图像感知采样落点,属采样方差而非引擎版本可归因行为差。
-**versionSignals**:腿B(1.263)events.jsonl 出现一次「truncated — 30082 chars total. Call ReadToolResult with ref=…」形态的 30K 截断标记(1.261 为 20K 上限,腿A 未见此形态);但该截断作用于引擎分析类长输出,bestmove 仍被正确提取,与失败点无因果。其余全 none:压缩事件两腿同为字段级提及(compactionMicroUsd×2)、重复防护 0/0、工具报错 0/0、无 1200s agent 上限或墙钟顶死(双腿均 <810s/900s 预算)。
-
-#### T3 — 数据库类:预写日志数据恢复(挂 B · high)
-**evidence**:同题同模型(deepseek-v4-pro)。腿A(1.261)过:reward 1.0,trial 139s(agent 114s),13 轮/15 次工具调用,输入 207K tokens;开局先对数据文件做十六进制转储,识别出日志文件经单字节编码变换、需还原后读取,在 /tmp 副本验证后收官。腿B(1.263)挂:reward 0,trial 928s(agent 896s),57 轮/79 次工具调用,输入 2.47M tokens;开局第 ~7s 将「对主库执行查询」与「转储日志文件」放入同一并行批,查询先执行导致数据库引擎在打开时清除了头部无效的日志文件(环境固有的不可逆陷阱),此后 ~880s 全部耗在容器权限受限的底层块级找回尝试(7/79 工具报错均为权限类),于 ~895s 触发软墙钟截止(status=timeout, errorCode=limit.timeout,finalize 注入但未及产出有效答案)。分叉点是纯采样级工具排序选择,与已知引擎版本行为面差异无因果关联;终局死形(墙钟)是早期不可逆失误的下游结果。
-**versionSignals**:a) 腿B 出现一次 30K 形态截断标记(truncated — 30081 chars total. Call ReadToolResult with ref=...),与 1.263 的 30K 截断口径一致;腿A 仅一次一般性截断提及——但均出现在败因分叉点之后,非因果。b) repetition 防护:两腿均 0。c) compaction:两腿均 0(compactionMicroUsd=0)。d) 腿B 触发 ~896s 软墙钟(mech=finalize+nudges:1+capShrinks:1+callCutoffs:2+toolClamps:10);腿A 仅 capShrinks:1。e) 工具报错:腿B 7/79(全为容器权限类,环境预期);腿A 0/15。结论:版本差信号存在但均非本题败因。
-
-#### T4 — 构建类:指令集解释器构建与实现(挂 B · high)
-**evidence**:T4 两腿行为形态几乎同构:腿A(1.261,过)agent 执行 1673.6s、80 轮、88 次工具调用、压缩 1 次、工具报错 0、finalize 注入+nudge 1+capShrink 1,产出 642 行实现,自测已生成目标帧文件,verifier 3 项全过(1.11s)。腿B(1.263,挂)agent 执行 1747.3s、83 轮、101 次工具调用、压缩 1 次、工具报错 0、同样 finalize+nudge 1+capShrink 1,产出 939 行实现但收尾时自述遗留一个未解决的模拟正确性缺陷(非对齐写指令族修复后仍有内存表项数据被写坏,导致模拟程序初始化阶段死循环),verifier 3 项全挂(被测执行超时+目标帧文件缺失,30.1s)。两腿都用满 1800s 任务预算并在临近末尾被 finalize 收束(对称,非单腿预算差);token/成本也几乎一致(A 7.05M 入/0.294 USD vs B 7.23M 入/0.304 USD)。差异只在实现质量落点:同为高难度长实现题,一腿采样出正确实现、另一腿留下一个调不完的疑难缺陷,属采样方差。
-**versionSignals**:a) 截断标记:腿A transcript 含截断字样行 24/标记 7 处,腿B 8 行/标记 14 处,形态同族(20K vs 30K 截断阈值差未见影响该题关键路径);b) repetition 防护事件:两腿均 0(A 侧 2 处仅为正文用词);c) 压缩次数:两腿各 1 次;d) 无 1200s agent 上限触发,两腿均在 1800s 任务预算内自然收束(1673s/1747s),done status 均为 completed;e) 工具报错:两腿均 0。结论:无可归因引擎版本的行为面差异信号。
-
-#### T5 — 机器学习类:由模型输出重建网络参数(挂 B · med)
-**evidence**:T5(10 维单隐层)。腿A(1.261)过:11 轮/9 工具调用,agent 执行 743.2s(总 768.9s),status=completed,采用梯度中心差分+方向聚类,自报余弦相似度 1.000000,reward=1.0。腿B(1.263)挂:24 轮/22 工具调用,agent 执行 896.3s(总 980.0s),status=timeout,errorCode=limit.timeout(墙钟软截断,+895.0s 触发 walltime_cutoff_recovery),reward=0.0。两腿预算同为 900s。分叉根因 = 算法路径选择:B 选了更难的渐近斜率+符号(sign A2)判定路线,陷入符号恢复的分析死角,直到 +892s 才转向 2^20 暴力搜索,未及在墙钟前产出可用结果即被截断;A 选了可解且更省的路线并在 743s 内收敛。两腿墙钟/收束/压缩/工具报错等行为面一致,唯落点不同(一解一超时),符合采样轨迹方差特征而非可归因引擎版本的行为差。
-**versionSignals**:none material。两腿共享面完全一致:任务预算 TB_TIMEOUT_SEC=900 相同;cacheHitRate 均 0.988;工具报错率 0(A: 9/9 exit=0;B: 22/22 exit=0);压缩面相同(两腿 mech 均含 capShrinks:1);两腿均在中途收到同一 finalize/deadline 收束提示。bash 输出截断(20K vs 30K 上限差)对本题无功能影响——工具输出均为极小的 python 打印,截断标记计数(A≈298/B≈571)是推理省略号误命中,非真实输出截断。无 repetition 防护死形(grep 命中为推理里的普通 "repeat" 词)。B 尾部多出 callCutoffs:2+toolClamps:2,但均为 895s 墙钟收束区产物,非引擎版本行为差。
-
-#### T6 — 机器学习类:文本检索评测流程(挂 B · med)
-**evidence**:腿A(1.261,测试机)过:reward 1.0,agent 执行 186.1s,23 轮/23 工具调用,509,653 prompt tokens,0 工具报错,充分探索(含列举评测包任务清单)后得出正确行。腿B(1.263,sc-03)挂:reward 0.0,agent 执行仅 56.5s,7 轮/6 工具调用,80,810 prompt tokens,0 工具报错,status=completed 自行收工;verifier 2 项测试 1 过 1 挂——结果文件存在但内容错误(写入的行与期望的目标行不符,系其自算相似度排序中第 5 名落点偏差一个邻近项)。腿B 方法面:直接用句向量库按指定模型+revision 算归一化余弦,未走更完整的评测协议路径;其「独立复验」重复同一方法故无纠偏。两腿均远离 1200s 上限、无异常终止、无环境/资源/网络故障迹象(全部命令 exit 0,模型加载成功)。差异本质 = 解题路径深浅的采样分歧(56s 速解 vs 186s 深做),非引擎行为面差。
-**versionSignals**:none——逐项核:a) bash 截断:腿A 1 次小截断([+3729 chars],远低于 20K/30K 上限差可影响区),腿B 0 次;b) repetition 防护事件:两腿 0;c) compaction:两腿 0(compactionMicroUsd=0);d) 1200s agent 上限/墙钟:186s vs 56s,均远离;e) 工具报错率:A 0/23,B 0/6。两腿 mechanisms 完全同形(capShrinks:1,finalVerifyInjected:1)。
-
-#### T7 — 凭据配置类:凭据文件生成与配置(挂 B · high)
-**evidence**:腿B(1.263)agent 执行 65.1s、24 次工具调用、无异常终止,自检 3 次通过后正常收工;verifier 6 项过 5,唯一挂点 = agent 写的 Python 校验脚本 import 了一个第三方解析库,agent 曾在自己会话内 pip 安装该库并本地验证通过,但 verifier 在独立 python 环境运行该脚本时缺该模块(ModuleNotFoundError)报错退出。腿A(1.261)agent 执行 109.9s、同样 24 次工具调用,校验脚本改用纯标准库 subprocess 调标准命令行工具,环境无依赖,6/6 全过。挂点根因 = 模型采样出的解法依赖选型不同(第三方库+会话内安装 vs 标准库可移植方案),属非密闭依赖踩了 agent 环境与 verifier 环境的隔离缝;两腿引擎行为面(工具数、报错、截断、时长)高度相似,无版本可归因信号。token:腿A 输入 277K/输出 6.1K,腿B 输入 201K/输出 3.7K。
-**versionSignals**:none——两腿均:0 截断标记(输出量远低于 20K/30K 线,截断差异不构成影响)、0 repetition 防护事件、0 实际压缩事件、0 工具报错、均远低于 1200s agent 上限(65s/110s)。腿B 有 1 条 todo_reminder steering 注入,属常规提醒非异常。
-
-#### T8 — 文档排版类:排版溢出修正(挂 B · med)
-**evidence**:腿B(1.263)reward=0:agent 247.9s/18 轮/19 次工具调用/0.46M input tokens 自宣完成,自报全部替换合规;verifier 3/4 过,唯一挂项 = 输入文件一致性比对(检出至少一处替换不在允许词族内),编译与溢出检查本身通过。腿A(1.261)reward=1:577.9s/40 轮/63 次工具调用/1.37M input tokens,4/4 过。两腿终局形态相同(均自宣完成、无超时、无报错,B 仅用 750s 预算的 33%),差异在 B 少做约一半轮次的逐词核验后错判合规 = 采样落点差异;无可归因引擎版本的行为差。
-**versionSignals**:两腿均:截断标记 0、repetition 防护 0、压缩事件 0、工具报错 0、无 agent 上限/墙钟顶死。唯一痕迹:腿A done 行 mech=+capShrinks:1+toolClamps:3 vs 腿B mech=+capShrinks:1(toolClamps 差与已知 20K/30K 截断上限差方向一致),但 clamp 发生在过腿且未致害,与挂点无因果。
-
-#### T9 — 生物信息类:序列组装计算(挂 B · med)
-**evidence**:挂腿 = B(引擎 1.263.0,rewards.reward=0.0),对照过腿 = A(引擎 1.261.0,reward=1.0)。挂腿死形 = 自宣完成但产物质量不达标:agent 以 status:completed 收尾并输出 "gBlock is complete and verified" 的自信总结,产物文件通过结构性断言(单行、仅 ATCG、≤3000nt=2649nt),但语义约束断言失败——test_outputs.py:42 AssertionError:融合蛋白顺序 flag<donor<dhfr<acceptor<snap 不满足,donor 子蛋白索引 = -1(未按要求编码/定位),即某子蛋白序列错误。两腿行为面高度相似、落点不同:A 走 Bash 重路径(Bash 49 / WebFetch 14,71 轮,1330s),B 走 WebFetch 重路径(WebFetch 55 / Bash 18,44 轮,82 工具调用,1469s);两腿工具报错 0、无输出截断、无 repetition 防护、无墙钟顶死,均自然 task.end completed。挂腿输入 token 2.45M/输出 84467、过腿输入 4.95M/输出 61747,B 更早(44 轮)自宣完成即提交错误产物。该题重度依赖外部生物数据库(pdb/fpbase API,55 次 WebFetch 全部成功无报错)。差异根因 = 模型在多约束硬题上的解法/采样落点差异,非引擎版本行为面差。
-**versionSignals**:none — 无引擎版本行为面差异信号:两腿 bash 截断标记 truncated:true=0(挂腿 bash 调用仅 18 次,截断阈值 20K/30K 差异未触及);repetition 防护事件 0/0;compaction 无真实压缩事件(仅推理文本含 compact 字样),挂腿 mechanisms.capShrinks=1 属常规思考预算收缩;工具报错 isError=true 均为 0/82 与 0/72;两腿均自然 done、未被 1200s agent 上限或墙钟顶死(A=1330s、B=1469s 均超 1200s 却均跑到 status:completed)。
-
-#### T10 — 统计建模类:概率编程代码跨语言移植(挂 B · med)
-**死形**:verifier-fail-质量(叠加 timeout-walltime:1796.8s 触 1800s 软墙钟,输出文件已写全但 2/6 精度检查未过)。
-**evidence**:两腿在同一环境约束上分岔:均在采样 100%(8000/8000)完成后遭容器 8GB cgroup 内存限制终止(exit 137,A 腿 ~1045s/B 腿 ~1200s)。A 腿(1.261)诊断出 cgroup 限制后重构模型代码(大矩阵移出保存域),保持采样参数不变,重跑后 1665.7s 完成,50 轮/54 次工具调用零报错,6/6 检查过,reward 1.0。B 腿(1.263)选择将每链样本数 1000→500 以避内存限制,牺牲了采样等价性;末次运行 1794.9s 写完全部输出文件,1796.8s 触 1800s 软墙钟(done status=timeout, errorCode=limit.timeout),49 轮/51 次工具调用零报错;verifier 4/6:两项向量精度检查失败,reward 0。两腿压缩 0 次、repetition 防护 0 次、工具报错 0;失败根因 = 修复策略选择差异(降采样 vs 内存优化)+过腿仅剩 7.4% 墙钟余量,形态相似落点不同,判采样方差为主。
-**versionSignals**:截断标记形态符合已知版本差:A 腿(1.261)为行内 [+N chars truncated] 形态(约 20K 档),B 腿(1.263)为 [truncated — 30081 chars total. Call ReadToolResult ref=...] 30K 形态;均未阻碍任务。B 腿终局机制面出现 callCutoffs:2/toolClamps:2(墙钟切断机构),A 腿无。压缩/repetition 事件两腿均 0。以上均非本题成败因。
-
-#### T11 — 机器学习类:文本分类模型训练(挂 B · high)
-**evidence**:腿A(1.261)2864s/27 轮/30 工具调用 status=completed reward=1.0:首个完整训练配置(dim=100,epoch=5,lr=1.0,wordNgrams=2,minn=3,maxn=6 含子词特征)即达 0.6237,量化后 2.9MB@0.6229 双指标过线。腿B(1.263)3598s 顶到 3600s 软墙钟,23 轮/25 工具调用 status=timeout errorCode=limit.timeout,末尾 walltime_cutoff_recovery+2 次 call cutoff;其训练迭代始终停在 0.56-0.585 区间(加 epoch 反降、trigram 更差、autotune 未果),落盘最优模型私测 0.5798<0.62(验证器:体积项过、精度项挂)。两腿预算一致(TB_TIMEOUT_SEC=3600),差异根源 = 模型采样到的训练策略不同(腿A 一步选中子词特征配置,腿B 始终未找到),属采样方差;死形是墙钟顶死+落盘产物质量差一层复合,以墙钟为终局形态。
-**versionSignals**:截断标记形态两腿如预期不同:腿A(1.261)为朴素 "truncated" 标记 ×6;腿B(1.263)为 "truncated — ~30214 chars total, Call ReadToolResult with ref=…" ×3(mech 含 toolClamps:2)。但截断均落在训练日志输出上,不在因果路径。压缩事件两腿均 0;repetition 防护事件均 0;真实工具报错均 0(腿B 4 条 error 行全部为终局墙钟 cutoff 的 stop=error 空调用);无 1200s agent 上限,两腿同为 3600s 墙钟。结论:有版本行为面形态差异但与本题成败无因果 — 实质 none。
-
-#### T12 — 并发编程类:异步任务取消处理(挂 A · med)
-**evidence**:腿A(1.261):agent 92.5s、10 轮、7 次工具调用、status=completed,自检后宣布全部要求达成;verifier 5/6 通过、1 项失败(排队任务数超过并发上限时发送中断信号的场景:已启动任务的清理块未执行,断言 0==2),reward=0,总时长约 126s。腿B(1.263):agent 415.2s、31 轮、29 次工具调用,深入测了真实中断信号场景并加入屏蔽式(asyncio.shield)处理,reward=1.0。两腿同模型 deepseek-v4-pro、均正常收尾、均远低于时限。差异本质是采样轨迹的验证深度(10 轮浅自检 vs 31 轮边界穷举),挂腿方案确实缺失该边界处理 = 质量失败,无引擎面可归因信号。
-**versionSignals**:none — 两腿均:截断标记 0、repetition 防护事件 0、compaction 0(compactionMicroUsd:0 各 2 处统计字段)、工具报错 0、无 1200s/墙钟顶点(92s vs 415s)、mech 均为 +capShrinks:1;bash 20K/30K 截断差异未在该题出现任何截断,不构成信号。
-
-#### T13 — 生物信息类:序列插入操作(挂 A · high)
-**evidence**:确定性正误型任务。腿A(1.261.0)result.json 嵌套 rewards.reward=0.0,腿B(1.263.0)=1.0。两腿终局形态均为 status=completed 且智能体自报「全部约束通过」的正向结论——非超时、非工具报错、非墙钟顶死。死形 = 智能体自宣完成并交付 primers.fasta,但交付物在校验器判为不达标(质量/正误面失败)。用时:腿A 智能体执行 882.5s,腿B 737.1s,二者均远低于 1800s 任务预算与有效上限,无墙钟压力。轮数/调用:腿A 33 轮/31 次工具调用/输入 146.1 万 token;腿B 18 轮/17 次/输入 53.6 万 token——腿A 走了近两倍长的推理路径,最终落在与腿B 不同的引物退火长度方案(腿A 报 fwd 17nt/rev 36nt,腿B 报 fwd 16nt/rev 43nt),自报 5/5 grounding 校验通过却被判 0.0 = 过度自信的错误自证。引擎版本行为面差专项全部无差异化信号:(a)输出截断——腿A 单次工具输出最大 16851 字符 <20K 截断阈,腿B 最大 7496 字符 <30K 阈,两侧截断均未触发,截断阈差(20K vs 30K)未被行使;(b)重复防护——腿A 有 1 次 repetitionSpared(turn14,char-run 64 空格,action=spared 即豁免未罚),腿B 无,属非因果性微差;(c)压缩——两腿 compactionMicroUsd 均为 0,均无压缩;(d)1200s 智能体上限/墙钟——两腿均未触及;(e)工具报错率——腿A 0/31,腿B 0/17,均为 0。机制面(capShrinks=1、finalVerify 注入、attachments 注入)两腿一致触发。结论:两腿机制行为面高度一致,唯一分歧在模型对该硬正误任务的解题路径落点(对 vs 错),无任何可归因于 1.261↔1.263 版本差的行为信号驱动该挂腿 = 采样方差。
-**versionSignals**:none(专项核查:截断阈差 20K/30K 两侧均未触发——腿A 最大输出 16851<20K、腿B 7496<30K;压缩两腿均 0 次;工具报错两腿均 0;墙钟/1200s 上限两腿均未触及。唯一版本面微差 = 腿A 有 1 次 repetitionSpared[turn14,64 空格,action=spared 豁免未罚],腿B 无,判为非因果)。
-
-#### T14 — 服务配置类:邮件列表服务搭建配置(挂 A · med)
-**evidence**:腿A(1.261.0)agent 正常完成:执行 374s、38 轮、55 工具调用、0 工具报错、无截断/压缩/重复防护事件,agent 自测报告三项检查全过;verifier 复跑 2/3 过,第三项(加入-公告-退出流程)在 2+6+18+54s 递增重试后公告消息计数为 0(期望 1),verifier 用时 87s。腿B(1.263.0)行为面几乎相同:执行 392s、43 轮、57 工具调用、0 工具报错,verifier 13s 内 3/3 全过。两腿 mechanisms 统计完全一致(capShrinks 1/finalVerify 1),均远未触及 1200s 上限。差异只落在 verifier 时刻消息投递链是否及时生效,属服务队列处理的时序性落点差异;两腿 agent 行为形态一致,判为采样方差。机器负载因素不能完全排除,置信度取 med。
-**versionSignals**:none(两腿均无截断标记、无 repetition 防护、无 compaction、0 工具报错;轮数/工具数/时长近同:A 38 轮/55 调/374s vs B 43 轮/57 调/392s)。
-
-#### T15 — 图形计算类:光线路径渲染实现(挂 A · med)
-**evidence**:阈值 = 相似度 0.99。挂腿A(1.261):46 轮/47 工具调用,1649.6s(预算 1800s,余 ~150s)自然 finalize 收尾,自报相似度 0.806 并如实列出差距(光照模型假设偏差);verifier 5 项过 3 挂 2(输出生成+相似度),reward 0。过腿B(1.263):51 轮,1796.6s 顶到软墙钟(limit.timeout+写出窗口保全),末次自测 0.891 仍在修阴影几何,最终写盘版本 5/5 全过,reward 1.0。两腿 token/轮数接近(3.45M vs 3.98M tokens),工具报错均 0,行为形态一致 = 同一迭代逼近轨迹,落点一边过线一边未过线,判采样方差。
-**versionSignals**:无门槛级版本信号。A(1.261):compaction×1、capShrinks:1、toolClamps:1、截断标记 0、repetition 事件 0;B(1.263):compaction 0、toolClamps:3、callCutoffs:2、walltime_cutoff_recovery(1.263 写出窗口机制)被触发但仅发生在过腿,且挂腿根本没顶到墙钟,故非致挂因素。20K/30K bash 截断差异:两腿 transcript 均无截断标记,none。
-
-#### T16 — 虚拟化配置类:虚拟机系统与远程访问服务配置(挂 A · med)
-**evidence**:两腿终局形态几乎同构:都以 status=timeout 收尾(任务墙钟预算 TB_TIMEOUT_SEC=900,双腿 agent 执行均 ~896s 触发 walltime cutoff + walltime_cutoff_recovery)。差异在墙钟内的推进效率:挂腿A(1.261)62 轮/64 工具调用/194 万 tokens,反复迭代多套启动脚本方案(5 次 Write 脚本、后台任务 TaskOutput/TaskStop 各 1),直到 +869s 才启动最终后台配置脚本并进入 90s 等待,+896s 被切断时服务尚未就绪,verifier reward=0;过腿B(1.263)30 轮/31 调用/51 万 tokens,+822s 已确认网络与服务连通、+830s 完成核验,cutoff 时环境态已达标,reward=1.0。两腿工具报错均为 0(A:64/64 ok,B:31/31 ok),无 repetition 防护事件、无 compaction、无输出截断标记(A 中唯一 truncated 字样是模型自述而非引擎标记)。两腿 mech 签名同形(finalize+capShrinks:1+callCutoffs:2;toolClamps A=3/B=1)。引擎行为面无可归因版本差,差异为同一 900s 预算内采样轨迹收敛快慢,判 variance_likely;因 A 轮数/tokens 约 2-3.8 倍膨胀而非某单一机制事件,置信 med。
-**versionSignals**:行为面信号 none:两腿均无截断标记事件、无 repetition 防护、无 compaction;bash 截断阈值差(20K/30K)未在本题触发。唯一版本可见差为 harness 适配层:腿A trial.log 的 missing-optional 列表多出 TB_CONTEXT_WINDOW/TB_MAX_OUTPUT_TOKENS 两项(适配器版本差,未生效于运行)。
-
-#### T17 — 算法求解类:程序对弈平均得分优化(挂 A · med)
-**evidence**:腿A(1.261)agent 执行 3352s/预算 3600s,97 轮、105 次工具调用全部 0 报错,status=completed 正常自结;终局 agent 自测 2/5 阈值达标(57%、0%、6% 三项不达标),诚实报告后收尾,reward 0。腿B(1.263)1912s、55 轮、87 次工具调用 0 报错,自测 5/5 达标,reward 1.0。两腿行为形态一致:同样的「写程序→批量对弈自测→迭代」循环、各 1 次压缩、各 1 次 capShrink、均注入 finalVerify、均无截断标记、均未触顶预算。差异本质 = 求解路线采样不同:挂腿选定的设计路线迭代到天花板仍不达标,过腿采到可全达标的另一路线并较早收敛。属采样方差,非引擎版本或环境可归因。
-**versionSignals**:none——a) 输出截断标记:两腿 transcript 均 0 条(20K/30K 差未触发);b) repetition 防护:腿A 1 次事件(turn 3,action=spared,未干预输出),腿B 0 次,无实际影响;c) 压缩次数两腿各 1;d) 无 1200s cap/墙钟顶死(挂腿 3352s<3600s 自然完结);e) 工具报错率两腿均 0%。
-
----
-
-## 三、机器/环境税配对测算(tax)
-
-| 字段 | 值 |
-|---|---|
-| 配对题数(两腿共同通过) | 49 |
-| 总时长比 B/A 中位 | 1.067 |
-| 触时限计数 A | 15 |
-| 触时限计数 B | 13 |
-
-**verdict(原文转录)**:无显著机器税。配对 49 题(两腿共同通过)总时长比 B/A 中位 1.067(agent 执行段中位 0.977),低于 1.15 显著线;符号检验 p≈0.39;时长比分布 Q1=0.66/Q3=1.25 双向宽散,属逐题运行方差非系统性偏移。输出 token 速率两腿持平(58.3 vs 59.1 tok/s,配对每 token 用时比中位 1.005),独立证实模型服务端对两腿等同。触时限计数 A=15 vs B=13,B 反少 2,未达「多 3+」线。每题固定开销 B 高约 3-6 秒(环境/准备/判分段),可忽略;全量 89 题时长中位 B 还略快(373s vs 463s)。B 独挂 11 题中 4 题(T4/T9/T10/T11)在 B 腿触时限,但 A 腿同题同为长尾低空掠过,且 A 腿对称有 2 题(T15/T17)超长跑挂而 B 过——机器差最多可解释 0~1 题分差。5 题净差主体归运行方差叠加引擎版本差(1.261 vs 1.263),数据不支持 sc-03 相对测试机系统性变慢。

package/docs/TB-REGRESSION-DAEMON-KILL-2026-07-08.md

@@ -1,58 +0,0 @@
-# TB 翻红回归案:run 收尾击杀留驻 daemon(1.257.3 → 1.258.1 修)
-
-> 方法论:clay 拍的翻红回归闭环——稳定集(CC 任一轮 PASS ∩ 1249 PASS=50 题)∩ 1257 FAIL = 高信号翻红;
-> opus workflow 双轨迹归因 + 独立对抗复核 + 我亲核(只看机制面,过滤题面叙事);每修带 CC 锚。
-
-## 判决
-
-**系统性引擎回归,立案成立**(同失败模式 ≥3 题,[417] 方差纪律豁免不适用)。
-
-- 中途配对(70/89 已出时):双 PASS 25 / 双 FAIL 29 / 翻红 14 / 翻绿 2;翻红 14 题全部 ∈ 稳定集。
-- 抽查 8 题,8/8 对抗复核 agree:**3 题 engine_regression(同一根因)** + 5 题 capability_variance(轨迹帧干净,模型自写逻辑错/越界编辑,PASS 轮也磕绊)。
-
-## 根因(3 题铁证)
-
-`TaskRegistry.settleKilledForOwner`(1.257.3,飞轮 [506]③ kill-before-receipt)在 run 收尾 finally 对 owner 名下
-仍在跑的 `run_in_background` bash 走 `env.killBackground()` **显式杀路径**——绕过了 design/128 T1-1 的 retain 闸
-(`disposeBackgroundShells` 的 `if (this.retainBackgroundProcesses) return` 是当时唯一的 gate,注释自述
-"this single gate is the whole retain semantic")。sema-tb 部署声明 `retainBackgroundProcesses: true`
-(sema-tb.ts:384,T1-1「交付活体服务」模式),1.249 上 daemon 孤儿化存活到 verifier;1.257.3 起被收尾清扫击杀。
-
-| 题(中性 id) | 铁证 |
-|---|---|
-| configure-git-webserver | run 结束前 3.4s 服务 curl 200;结束后 0.16s verifier HTTP 000。复核确认 0 次 TaskStop,模型无 teardown 动作 |
-| hf-model-inference | 自测三路 200/400 全绿;agent 收笔 3.4s 后 verifier 全 ConnectionRefused。1249 靠命令内层 `&` 二次脱离逃过收割(协同放大项) |
-| kv-store-grpc | done 帧 server 仍 status:running;0.2s 后端口 111 拒绝。复核腿源码 bisect:settleKilledForOwner 引入于 commit 14ce269=1.257.3,1.249 零出现 |
-
-未抽的 6 题翻红(pypi-server / qemu-alpine-ssh / qemu-startup / reshard-c4-data / schemelike-metacircular-eval / tune-mjcf)
-中 server/daemon 类疑同族,1.258.1 后单题复跑验证。
-
-## CC 锚(双重)
-
-1. **活体**(最高等级):稳定集本身 = CC(2.1.198 系)同 harness 同容器跑出的 PASS——CC 在这三题的后台
-   daemon 存活过 agent 进程退出,verifier 探到活端口。
-2. **静态**(cc-2.1.198 pretty.js):agent 收尾清理表的 `shellTasks` 项(nka=杀 agent 名下 running shell,
-   L422458)带 `keepaliveGated:!0`,收尾循环 `if (Pt && Tn.keepaliveGated) continue`(L422461)跳过;
-   `Pt = o && Re && !aborted && (EGa || tka)`(L422356),其中 `tka`(L281882)= **该 agent 名下有 running
-   backgrounded local_bash/monitor 即真**。即 CC 语义:**正常收尾 + 有活后台任务 ⇒ 不杀(daemon 存活)**;
-   abort / 无后台任务 ⇒ nka 收割孤儿。与活体证据合缝。
-
-## 修法(1.258.1)
-
-retain 声明上浮到能力面,自动收割路径全族门控(修类不修点):
-
-- `BackgroundShellCapability.backgroundCapabilities.retainBackgroundProcesses?: boolean`(声明不猜,对齐 supportsDetach)
-- `settleKilledForOwner`:retain env 的 bash/monitor 行**整体跳过**(不杀、不发 killed 回执——没死就不撒谎);
-  行随后走 `clearBackgroundForOwner` 正常 evict(清 watcher、进程留活 = 1.249 形态)
-- `reapSessionBackground`(session release 自动清扫,同族):retain env 只结算 watch,进程留活
-- 不受影响:显式 TaskStop/KillShell、per-shell timeout 硬墙(host 在世期间照常)、非 retain env 的
-  [506]③ killed 回执语义(CC 的 abort 收割面 = 我们非 retain settle,parity 保持)
-
-行为锁:test/teardown-killed-receipt.test.ts「T1-1 retain」两案(daemon 活过 settle 清扫 + 显式杀仍有效;
-session reap 只结算 watch)。E2E 验收 = 海外机三题单题复跑翻绿(不进门,只作端到端)。
-
-## 方差面(不立案,记档)
-
-5 题 capability_variance(bn-fit-modify / cancel-async-tasks / extract-elf / merge-diff-arc-agi-task / overfull-hbox):
-全部 verifier 判 0 于产物逻辑(不可辨识定向 tie-break 未回收 / 排队取消盲区假绿 / 基址重复叠加 / 归纳规则错 /
-越界冠词修正),两轨迹引擎帧无差异,PASS 轮同样磕绊。归入 [417] 方差账,不修(teaching to the test 红线)。

package/docs/TB-RSI-CROSSCHECK-2026-07-06.md

@@ -1,68 +0,0 @@
-# TB 结论复审:国内 RSI 账本 × 海外对照(2026-07-06)
-
-> **背景**:前一个(降智)AI 整夜在共享节点 172.30.228.8 跑 RSI 调参循环(账本 `RSI-CLOUD-DEPLOY-2026-07-06.md`),
-> 收尾把 k3s 节点并发拖挂。clay 不信其结论。所幸 service 独立在**独占海外机**跑了同版本对照
-> (`ai-agent-service/docs/TB-OVERSEAS-1239-REPORT.md`)。本文用两份数据做交叉复审,逐条裁前 AI 的结论。
-
-## 0. 决定性对照(自然实验)
-
-同引擎 1.239.2、同模型、同预算 0.85×、同 -n5、同 adapter,**唯一变量=部署环境**:
-
-| 腿(1.239.2) | 国内:共享节点·无外网 | 海外:独占快机·全出网 | Δ |
-|---|---|---|---|
-| **pro** | 37/89 (0.42) | **49/89 (0.551)** | **+12** |
-| **flash** | 39/89 (0.44) | 48/89 (0.539) | +9 |
-
-**一句话**:环境本身值 +9~+12 分(≈0.10 reward),**比前 AI 整夜调的所有参数(预算/prompt/turn)加起来大一个数量级**。
-前 AI 在一个被巨大混淆变量污染的环境里精调噪声,还把 flash>pro 的**环境 artifact 误当成了模型判决**。
-
-## 1. 逐条裁决(前 AI 六大结论)
-
-### ❌ 证伪:"部署该上 flash 不是 pro"(前 AI 头号结论)
-- 前 AI 依据:国内 flash 39 > pro 37(**差 2 分,n=1**)。
-- 海外反证:独占快机+全出网下 **pro 49 ≥ flash 48**;且 pro 从环境改善中获益**更多**(+12 > flash +9)。
-- 根因坐实(海外报告 §4 印证前 AI 自己的 pro/flash 病理):pro 主要死于 **wall-clock timeout**——共享慢节点**惩罚**慢模型,快机把它**解放**了。flash 之所以在国内"反超",纯粹因为它快、逃过了 timeout,不是能力更强。
-- **正解**:能力上限 pro 略高(干净环境仅差 1 题);flash 的优势是**性价比**(海外快 21 分钟、成本低一档、只差 1 题)。部署判决应表述为:**默认 flash(性价比档),pro 留给算力充足的深度档**——不是"flash 更强"。
-
-### ✅ 站得住 + 被海外强化:"env-blocked 任务可回收是最大确定性杠杆"
-- 前 AI:国内无外网,verifier 现装 uv 走 github 停滞→用 `-ve` 镜像串定点修,实测 3/3 解卡,估 +2.5~3 分/腿。
-- 海外:直接**全出网**,前 AI 尸检的 13 个国内失败里 **5 个(38%)当场回收**(hf-model-inference/reshard-c4-data/winning-avg-corewars/llm-inference-batching/arch-extract(归档解压) 全 PASS)。
-- **两份独立数据指向同一结论=强信号**:生产部署给沙箱**受控出网**(或镜像),稳定回收 ~5~9 分/腿。这是**真·最大杠杆**(远大于任何引擎调参)。前 AI 的 `-ve` 镜像串是"没出网时的 workaround",海外全出网是"根治"。**这条前 AI 做对了,只是低估了它的地位。**
-
-### 🟡 方向真、幅度被严重高估:"design/130 引擎病理 = 最大分数杠杆"
-- 前 AI:P1(单-call 不受剩余墙钟约束)/P2(墙钟硬砍 in-flight 作废)/P4(无进展侦测),4 个 opus agent"收敛"→称最大杠杆。
-- 复审:①**4 agent 收敛≠4 份独立证据**——它们读的是同一批国内转录,是同源转录的**伪独立印证**;②海外好环境下引擎自停仍有 17 例(NonZeroAgentExit),说明 P1/P2 **确是真引擎缺陷**,但③海外一把把大半"timeout 腿"用环境消掉了(+9~12 分),**证明分数瓶颈的主因是环境不是引擎**。
-- **正解**:design/130 是**真的、值得做的中价值引擎硬化**(17 例引擎终局是实打实的),但**不是**前 AI 吹的"最大杠杆"。优先级排在"部署给出网/算力"之后。P1 到底是引擎缺陷还是 TB harness 预算配置的耦合问题,需独立重验(不能只凭国内转录)。
-
-### 🟡 依然弱:"1.237-1.240 无引擎回归"
-- 前 AI:5 个"回归"经查是 n=1 方差/瞬时网络,判无回归。
-- 复审:海外**只跑了 1239 一版**,不能做跨版本对照,**既不加强也不削弱**这条。结论仍建立在 n=1 上。
-- **正解**:保留"未发现确凿回归"的措辞,但这是**弱信号不是安心结论**;真要下"无回归"判断得同机同环境跑 1236 vs 1240 各≥3 次。
-
-### ✅ 站得住:"绝对分是可信的第三方口径成果"
-- 海外 **0.551(pro)/0.539(flash)** 是独占机、全出网、官方源、0.85× 原生预算的干净分。
-- 显著 > 第三方榜 V3.2×Terminus2 的 0.396(注:不同模型,V4 vs V3.2,不能纯归功引擎);< 厂商主场 0.679(其用 3h 宽松预算,非同口径)。
-- **正解**:0.55 可作为 sema-core×V4 的对外可引用分。这是今晚**真正的正面成果**,且来自海外腿不是国内腿。
-
-### ✅ 教训成立:"无人值守起腿过激拖挂节点"
-- 6~7 并发 harbor(30+ docker 容器)→ 共享 k3s 内存/docker daemon 过载→sshd 无法握手。CPU(64核)不是瓶颈,**内存+容器数**才是。
-- **正解**:并发≤4;更重要的教训——**别在共享 k3s 上跑重基准**。海外独占机 32 核跑双腿 load<3、3h 出全量干净分。基准就该上独占机。
-
-## 2. 真正的结论(排序后的部署建议)
-
-1. **部署环境 = 第一杠杆(+9~12 分)**:沙箱**受控出网** + **独占算力**。这两件比引擎调参重要一个数量级。生产跑真活优先保证这两点。
-2. **模型选型**:默认 **flash**(性价比:快、省一档、能力仅差 1 题);**pro** 用于算力充足的"深度/顶格"档。**不是** flash 能力更强。
-3. **预算**:0.85× 原生已是诚实且够用的口径;前 AI 的 1.275× 宽预算腿**从未跑完对账**,其 +4 分预测**仍是未验证假设**,不要当结论用。
-4. **引擎硬化 design/130(中价值,非最大)**:P1 单-call 动态 max_tokens / P2 软 deadline graceful finalize / P4 反修复循环早停。真缺陷,但需在**受控环境独立重验**再定优先级,别只信国内同源转录。
-5. **对外分**:0.55(海外干净口径)可引用。
-
-## 3. 仍是"未验证假设"、不能当结论的(明确标注)
-- 前 AI"宽预算 +4 分"(R1/R1b 腿节点挂前从未跑完)。
-- 前 AI"prompt 前缀翻盘 pro"(R3 腿从未收;且该实验给 agent 喂了任务外的部署 profile 指令,**是否构成对基准的污染需单独判**——严格基准不应改 agent prompt)。
-- "verifier -ve 修 +2.5~3 分/腿"的**幅度**(只实测 3 个任务,外推到 33 例乐观)。海外用出网侧证了**方向**,但幅度未在国内全量坐实。
-- "1.237-1.240 无回归"(n=1)。
-
-## 4. 下一步(可选,等 clay 拍)
-- **无需再上 k3s 跑 TB**:海外独占机已给出干净分。若要收敛最优,直接在海外机跑一腿 **flash × 1.240.1 × 全出网 × 0.85×**(不必宽预算/不必 prompt 前缀,先拿干净基线),对齐 1240 vs 1239 是否有变化。
-- **design/130** 若要推进,先在海外机做**受控 A/B**(同环境 1240 baseline vs 打了 P1/P2 补丁的 build),用同环境隔离引擎变量——这才是判 P1 是引擎缺陷还是 harness 配置的唯一干净法。
-- 节点 172.30.228.8 需 clay 重启恢复(与本复审结论无关,数据已够)。

package/docs/TB-RSI-LEDGER.md

@@ -1,30 +0,0 @@
-# TB RSI 轮账(回归 → 归因 → 修复 → 复跑)
-
-> 每轮一行的 TB 回归自愈闭环台账。逐 run 数据单源 → `bench/tb-matrix/results.jsonl`;
-> 归因判决 → `bench/tb-matrix/verdicts.jsonl`;schema 与追加纪律 → `bench/tb-matrix/README.md`。
-> 纪律:append-only,轮号只增;每轮落「触发数据 → 判决 → 动作 → 验证结果」四件,派生统计现算不另存。
-
-| 轮 | 日期 | 版本 | 事件 | 数据 | 判决 / 后续 |
-|---|---|---|---|---|---|
-| 0 | 2026-07-08 | 1.257.4 | 全量对照发现方向性回归 | `full-pro-1257-fb` = **38/89** vs 基线 1.249.0 = 51/89,Δ=−13 远超 [417] ±5 噪声带;翻红 15 题全落稳定集(CC 任一轮 PASS ∩ 1249 PASS),零异常 + verifier 判 0 聚类 | 立案成立(非方差)。抽查 8 案对抗复核 8/8 agree:3 engine_regression(1.257.3 `settleKilledForOwner` 收尾击杀 retain-env 后台 daemon,绕过 T1-1 retain 闸)+ 5 capability_variance(归 [417] 方差账,不修)。详账:`docs/TB-FULL-1257-2026-07-08.md`、`docs/TB-REGRESSION-DAEMON-KILL-2026-07-08.md` |
-| 1 | 2026-07-08 | 1.258.1 | daemon 修复批发版 + 单题复跑 | 修法:retain 声明上浮 `BackgroundShellCapability.backgroundCapabilities.retainBackgroundProcesses` + `settleKilledForOwner`/`reapSessionBackground` 全族门控(修类不修点),行为锁 `test/teardown-killed-receipt.test.ts` | daemon 族 6 题单题复跑(`retest-daemon-1258-fb`)= **5/6 翻绿**:configure-git-webserver / hf-model-inference / kv-store-grpc / pypi-server / qemu-startup PASS;qemu-alpine-ssh 仍 0(该题 1257 轮 761s≈765s 预算顶收尾,疑时长预算面非 daemon 族,待单独归因)。其余翻红 9 题复跑待排;全量复跑视单题结果定 |
-| 2 | 2026-07-08 | 1.258.2 | 飞轮 [519] envDying 收窄发版(TOC local timeout 锚复活)+ N=5 方差桶重跑**中间账(已被轮 3 终判取代)** | 方差桶 8 短题 × N=5 @1.258.1 全铺开 = **5/40**(bn-fit 0/5 · cancel-async 0/5 · schemelike 0/5 · tune-mjcf 0/5 · extract-elf 1/5 · merge-diff 1/5 · overfull 1/5 · reshard 2/5)——远低于「方差」预期(1249 单次 8/8 + CC PASS ⇒ 真方差应 ~40-60% 率) | ⚠️ 疑似 daemon 案外**第二系统性因素**,三变量混杂(引擎版本/40 并发铺开/模型服务端日期)。仲裁腿在跑:1.249.0 同机同并发同日期同 8 题 N=5(`rerun-n5-1249ctl-fb`)。1249ctl 也塌 ⇒ 版本无罪(并发/服务端);1249ctl 仍高 ⇒ 坐实 1.250→1.258 隐性行为面回退(不留异常帧型)。long 腿(rstan/qemu ×5)另跑中 |
-| 3 | 2026-07-08 | 1.258.2 | **三腿并发对照终判(方差桶闭案 + 测量纪律修正)** | ①1249 **4 并发** N=3 = **20/24(83%)** ②1249 40 全铺开 N=5 = 13/40(33%)③1258.1 混杂并发 = 26/40 短题(65%)+ qemu-alpine-ssh 1/5(5 trial 全顶 765s 预算)+ rstan 0/5(OOM-137 族) | **①并发=测量污染源**:同版本同日同机 83% vs 33%,DeepSeek 服务端高并发降质;评测腿并发硬帽 4(design/139 §3.5 已回滚全铺开口径),全铺开仅限侦察。**②方差桶 8 题闭案**:低并发 83% ≈ 1249 单次全过形态,坐实 capability_variance(1257 单次 FAIL=采样落点),无第二引擎回退。**③qemu-alpine-ssh 改判 harness 预算面**:5/5 顶死 765s(sema-tb 砍 85% 预算留写出窗 vs CC 拿满 900s,违同变量原则)→ 修复候选:预算对齐 100%+软死线自管(CC 锚=CC 腿满预算)。④rstan OOM 族另案(容器内存面)。M1 验收=全量 89 @1.258.2 4 并发定档腿 |
-| 4 | 2026-07-09 | 1.258.2→1.258.5 | **A1 差异集轮①六账收官 + 归因→落修→发版全弧(RSI 转轮①②修复段闭合)** | ①差异集 16 题 N=5 @1.258.2 = 16/80(portfolio 5/5 移出;硬差异 0/5 共 8 题)②qemu-t1100 1/3(三注全打满 1096-1099s——1100s=边际预算,改判**预算+效率税混合**)③rstan-solo 独占 1/3(一败仍 OOM 标记——改判**内存边际面,并发=放大器**)④conc8 标定 **16/16**(判据达成,稳定集腿可提 8 并发)⑤L1 烟集 1.258.3 = **2/3 翻红**(overfull-hbox FAIL,发布链红灯,死因核查在飞)⑥ceiling3 @1.258.4 = path-tracing 1/5 / reverse 1/5 / circuit-fibsqrt 2/5(判据 ≥3/5 未达,但三题全部脱离 0/5=方向性)。数据:`bench/tb-matrix/a1-round1.json` | **归因轮①**(wf 12 腿 opus,对抗复核推翻率 3/6):agreed 落修 2(db-wal prompt_surface + mteb verification_discipline)→ **1.258.5 发版**(role.base snapshot-before-mutate + 收尾第三方契约探针,cc-198 双锚;同车 stale 锚新鲜度门 SEMA-ONLY 18x 活体欺骗修 + verify 双修 thinkingSignature/rule5 naturalTrigger;三轨复审 opus PASS × codex fix-first → verify wf 裁决 2 refuted/2 partial)。**窗口修判读**:未实锤,第二轮升「有效行为 parity」候选(path-tracing-reverse 峰值 226k>200k 仍压)。后续:full-89 @1.258.5 判决腿今夜自动接力(M1 判据);L1 翻红指认前 1.258.3 不再作为部署基版;A1 两纪律修增益并入 full-89 与下轮差异集复跑读数 |
-| 4b | 2026-07-09 | 1.258.3 | **L1 翻红定谳:方差非回归,红灯解除** | overfull-hbox FAIL 死因=verifier 断言(逐词同族精确匹配,模型用屈折形式替换即红),引擎行为面全干净(无异常/无超时/工具零报错/无 daemon/压缩/hook 接触点);同题 N=5 基线 2/5(~40%)本就高方差。口径修正:1.258.1 首验腿(055511)轮换题不含 overfull-hbox,「同门 3/3」不构成对照 | ①1.258.3 解除「不作部署基版」限制②围栏改进:overfull-hbox 移出 L1 轮换池(模型语义门≠引擎行为门,不适合 3/3 二值硬门;L3 保护集按率记账保留)③full-89 @1.258.5 同题结果作免费加注并入方差样本 |
-| 5 | 2026-07-09 | 1.258.4 | **归因轮②(ceiling3 三题同版本 PASS-vs-FAIL 双轨迹,wf 6 腿 opus,复核 3/3 agree)= 效率线定谳收官 + 病根迁移 walltime** | 三题 15 注全量核证:压缩全部仅 1 次且健康(140-151k 触发≈200k 的 72%,after 35-55k,无二次压缩)、峰值 promptTokens 93-153k **从不逼近 200k**、压缩点估算与端侧真值差 <5%(**无 stale 虚高**)。判决:path-tracing=model_variance(1530s 墙 × 模型延迟抖动:PASS 注 median 5.3s→88 turns vs FAIL 13-26s→34-58 turns)/ path-tracing-reverse=**budget_ceiling**(3/4 FAIL 纯墙钟腰斩全顶 1526-1527s≈1530s 硬帽,PASS 仅早 1.5min;1/4=模型答错)/ circuit-fibsqrt=model_variance(3060s 墙偏紧+路线三分死法) | **①转轮①效率线收官**:窗口修生效,抬窗 1M/反应式压缩/stale 门对三题判「无收益」,压缩子系统出清。**②新病根=walltime 自削**:TB_TIMEOUT_SEC=0.85×task_timeout vs CC 拿满,违同变量原则(轮 3 ③ qemu 前案同族,现三题铁证)→ **adapter 默认 ratio 0.85→1.0 已改**(机上 sema_agent.py 带案由;写出 cushion 由引擎软死线自管 design/130-P2b)。⚠️ 口径切换点:≤full-1258.5 各腿均为 0.85 口径(与 1249 基线可比);**下轮判决腿起 1.0 口径**,跨口径对比须注记。③三题下轮 1.0 口径 N≥10 加注复跑=收复判据;black 板知会 service 改 adapter 源头 |
-| 6 | 2026-07-09 | 1.258.5 | **full-89 判决腿收账:46/89,M1 未达(-5)+ 条件公平性探针三分解** | 对照:1257.4=38(+8 回血)/1249=51/CC=54。翻转:**新 PASS 6**(break-filter-js/circuit-fibsqrt/dna-insert/password-recovery/portfolio/query-optimize,抽查 3 题=修的真功劳非条件差)/**新 FAIL 11**(全 verifier-fail 零崩溃零超时:9 题早死 73-257s 自宣完成被拒 + qemu-alpine/rstan 长跑质量)。探针腿条件矩阵:**0.85 口径 258=1249 同变量(条件面占 0 题)**;跑期/并发差=方差源;vs CC 口径税坐实 **4/6 题被 0.85 墙偷走**(path-tracing×2 高置信+eigenval/polyglot 边际)。A1 落修 2 题 k=1 未翻绿(纪律修=N 复跑验证口径,不算失败)。daemon 修守住 5/6。数据:bench/tb-matrix/full-1258.5.json | -5 分解:方差 3-5 题 + 真回退候选 1-3 题(9 枚自宣完成早死=下轮归因头号靶:1.258.5 收尾自检为何没拦错误自宣)+ 条件 0。**转轮③复跑腿(1.0 新口径)**:17 题×N=5=①11 枚新 FAIL(≥4/5=噪声/≤1/5=真回退)②口径税 4 题(预期 +3~4)③A1 落修 2 题增益验证。M1 期望路径:46+口径税 3~4+方差回填 3~5 ≈ 51-55 |
-| 7 | 2026-07-09 | 1.258.5 | **转轮③ r3-rerun 收账(17 题×N=5 @1.0 新口径)+ cancel 归因翻案 = 1.258.5 对 1249 零真回退定谳** | 三组判据:①11 枚新 FAIL:噪声 4(reshard 5/5·sqlite 5/5·bn-fit 4/5·merge-diff 4/5)+方差带 4(pov-ray/count/financial/qemu 各 3/5)+候选 3 全洗清——cancel-async 0/5 经归因=**model_variance**(三实现族真值:TaskGroup 2/2·sighandler 1/1·gather-兜底 1/16,1249「基线 PASS」=抽中 TaskGroup 运气,1249ctl 自己 3/3 gather 全灭;经验复现+跨版本形态分布无漂移,引擎无罪,无锚不修,docs/CANCEL-ASYNC-ATTRIBUTION);overfull 合并 N=10=3/10 极端方差;rstan 1/4=内存边际已知。②口径税:path-tracing **3/5 收复实锤**+largest-eigenval 3/5+reverse 2/5 方向性+polyglot 0/5 落空,实收 +2~2.5(预测 +3~4 方向对)。③A1 修:db-wal 1/5=snapshot-before-mutate **首个增益信号**;mteb 0/5 无信号 | **-5 差距终判:方差+口径,零能力回退**。快环外推 52-54≥51 → **M1 认证腿触发**(全量 89 @1.258.6 @1.0 口径 k=1,兼验 1.258.6 验证面修)。纪律固化:快慢环收紧(修复验收=单题 N=3 两段式,全量=里程碑公证处,clay 拍);cancel 类题验收看实现形态分布非 pass 计数 |
-| 8 | 2026-07-09 | 1.258.6 | **M1 认证腿收账(full-89 @1.0 口径 k=1 n=4):50/89,M1 差 1 未达;验证面修坐实真增益** | 对照:1258.5=46(**+4**)/1249=51(-1)/CC r3=54(-4)。翻转 vs 46:**收复 10**——验证面四原则修(1.258.6)9 题靶子中 **4 收复**(count-dataset-tokens/reshard-c4-data/sqlite-with-gcov/build-pov-ray,全是轮 6「自宣完成早死」成员=修真功劳非方差)+ A1 db-wal 再确认(第 2 次)+ qemu-alpine-ssh 收复(轮 5 口径税兑现)+ adaptive-rejection/build-cython/extract-moves/largest-eigenval;**丢失 6**——其中 **4 题=轮 6「新 PASS 6」的回摆**(break-filter-js/dna-insert/password-recovery/query-optimize,同题两轮一绿一红=~50% 方差带铁证)+ extract-elf(轮 7 N=5 已判 1/5 方差带)+ sparql-university(先验方差:1.258.6 仅动 final-verify 文案,无回归面)。守成:daemon 族 5/5 全守 · circuit-fibsqrt/portfolio 守住。仍红:验证面 5 题(cancel/bn-fit/financial/merge-diff/overfull)· mteb 双题(判据修在 1.259.0 未上车,预期内)· path-tracing 双题(效率税)。数据:`bench/tb-matrix/m1-cert-12586.json` | **M1 差 1 = 方差带内**(丢失 6 题先验全方差,期望回摆 +2~3 即越线),不立回归案。判决:①验证面修=本轮最大增量来源(9 靶收 4),四原则 prompt 修的增益曲线与预测一致②方差带 ~8-10 题(两轮翻转对称:上轮 +6 新 PASS,本轮 4 题回吐再收 10)=当前分数波动主体,M1 稳定越线要靠 1.259.0 增量(mteb 判据修+G 批)非重跑。**后续**:1.259.0 发版(闸序走起)→ 快环点名 @1.259.0:mteb 双题 N=5(判据修验收)+ 验证面仍红 5 题 N=3(修的第二段甄别)+ 丢失 6 题不点名(方差定性,省预算)。M2 路径:50+mteb 2+验证面残余 1~2+方差回摆 ≈ 53-55 |
-| 9 | 2026-07-09 | 1.259.0 | **CC-diff 12 题围剿收账(siege 双腿+并发阶梯 L8)= 1.259.0 增益坐实 + 8 并发标稳 + rstan 大翻转** | 围剿终账(@1.259.0 @1.0 口径):**稳收 3**——financial-document-processor **3/3**·merge-diff-arc-agi-task **3/3**(两题=验证面修靶,k=1→k=3 复确认)·**rstan-to-pystan 3/3**(独占 n=1 跑法,历史最好 1/4,内存边际+并发放大器判决的正确性实证);**改善 4**——overfull-hbox 2/3(历史 3/10)·extract-elf 2/3+L8 2/2=4/5·sparql-university 2/3+L8 2/2=4/5·path-tracing-reverse 1/3(1.0 口径下首绿);**方差带 2**——bn-fit 1/3·corewars 1/3;**稳定死 3**——password-recovery **0/3(轮 8「方差回摆」先验被推翻,升归因靶)**·polyglot-rust-c 0/3(归因档:模型面解法低效,cleanup 契约锚核=不可锚不修,docs/COREWARS-POLYGLOT-TRIAGE+CLEANUP-CONTRACT-ANCHOR)·path-tracing 0/3。**mteb 判据修验收**:retrieve 2/5(历史 0/5=真增益未稳)/leaderboard 0/5(无信号,另归因);注:mteb 双题 CC 也 FAIL,收益面在 M3 并集非 CC-diff。**并发阶梯**:L8@1.259.0=**15/16 判稳**(clay 拍 8 下限成立,16 trial 仅 11min),L12/L24 在跑。数据:jobs/siege-*-1259-fb + conc8-1259-fb | **判决**:1.259.0 增益=真(验证面修 k=3 复确认+judge 判据修方向对+rstan 翻转),外推全量 54-56=M2 射程。**M2 认证腿已挂**(full-89 @1.259.0 k=1 **n=8**,标定背书,watcher 等阶梯清场自动跑,预期 ~6h 出分)。**后续**:①password-recovery 深归因(新靶,0/3 稳定死)②mteb-leaderboard 与 retrieve 死因分叉归因③L12/L24 出分定并发上限(单 key 塌→提多 key 方案)④M2 出分后给 service 滚版单(≥1.149.0+v4-pro worker)。**K8S 基建**:用法(b) 全链 PASS(CA 校验+kata 真 VM+零残留,[416]);两范式 adapter 债记档低优先 |
-| 10 | 2026-07-10 | 1.259.0→1.260.0 | **M2 认证 47/89 判 confounded + rbv3 四格分离实验定谳 + 进攻面三靶全落码(1.260.0)** | ①M2=47/89(@1.259.0 n=8) vs M1=50(@1.258.6 n=4)=版本+并发同变,判 confounded(docs/M2-CERT-ATTRIBUTION);回摆 12 题逐题历史核对:仅 4 稳过+schemelike 并发敏感=真信号,7 题历史常挂=均值回归。②**rbv3 四格**(取代已撤 2×2,4 机分布式:测试机 V-old/V-new/K8+sc-03 R/P):**版本无罪**(1.258.6=22/25 vs 1.259.0=22/25 @n=4 N=5 同机)/**并发污染坐实且题型选择性**(n=8: schemelike 80%→33%·sqlite-gcov 60%→33%,其余 3/3 不掉)/**K3S 跑腿可信**(sc-03 14/15≈测试机,API 端无污染,4 机产能解锁;sc-02 永不碰=etcd 兜底,任务容器禁 -p)/**7 常挂题真率 38%**(M1 含 ~3-4 分运气)。③打平线重定(clay 拍):CC 57=r1∪r2 合并 best-of-2(两轮 21 题翻转),阶梯=M2 单发≥54→**M2.5 同版本 best-of-2 ≥58**→M3 66。④password-recovery 5-fable 评审团:「永远过不了」证伪(两边高方差),杠杆=oracle 接地;mteb-leaderboard 判 parked(取数死路,CC 同形态死) | **判决:M2 净−3 全额分解为并发+方差,零能力回退;认证纪律=判决腿锁 n=4+重型题按题配并发**。进攻面落码(全走宪法两闸+双轨复审):**task#51 cadence 四口径**(①写才复位③kill-switch④思考轮+**口径⑤ BLOCK 级时钟**——复审+活体探针双腿独立逮到 CC cadence 单位=逐非思考 content block,修后活体六场景 CC 逐请求同;探针资产 bench/probes/task51-cadence-live)+**oracle 接地闸 step A**(R9→cap=2 相位化重入+确定性结构信号 grounding-signal.ts;行为类锚=6 形态×≥2 题;双轨复审 11 findings 全处置含 walltime 护栏/effectiveMaxTurns/resume transcript 播种)+载体对账句+TB 窗口 env seam。**1.260.0 发版在飞**。在飞验证:winprobe 腿C(full-89@1.259.0@n4=M2 干净复认证+对 M1 版本净效应)+腿W(300K/64K 窗口税,DeepSeek 真限 1M/384K clay 拍)/oracle A/B 验收腿(3 题+负样本 N=5 双版本,sc-03,等 1.260.0 tgz)。后续:滚版单(腿C 分出后带受控数字发) |
-| 11 | 2026-07-11 | 1.260.0→1.262.0 | **三连发收账(进攻面 1.260 + repetition/parity 五维 1.261 + 残局五面/未动工全清七批 1.262)+ publish-dual shasum 漂移根治 + 实验判决四件 + M2.5 并集 57/89 差 1** | ①**发版三连**(细账→CHANGELOG 对应条):**1.260.0**=进攻面批(task#51 cadence 四口径+口径⑤ BLOCK 级时钟 3f4a314+8373f28 · oracle 接地闸 step A cap=2 相位化重入+grounding-signal.ts bd093db+dd7fc1f · 载体对账句 6100aa5 · TB 窗口 env seam 8b22a04;4946 绿);**1.261.0**=repetition 修复批(规则2 合法重复豁免+规则1 阈值 60→200=corewars 病理修 2e1c161,反事实 4红→13/13绿 · 结构化遥测 inspectDegenerate 87093f4 豁免事件也采)+DEFAULT_MAX_TURNS 100→500(clay 拍,同车 tb adapter 120→500 b8d9f4f)+parity 五维落码批(止血 1c838c5/截断分表 ae93e08/workflow M/L 190ec8a,进度矩阵口径落码 23 项;4998 绿;板 [562] shasum 57bd7a9e);**1.262.0**(2026-07-11)=残局可观测五面 core 半场(48e481b,板 [558] A-E:recentSteps/editedFiles/currentAction/AgentTranscript 拉面/resumable)+**parity 未动工全清批七批**(954e59e AskUserQuestion bounds · d4b4c96 反再委派句+Read seeded 去重 · 38af1fd M1 PTL error-withholding · 28c0032 strict structured-output · 8a5fa4e 206 auto-mode transcript 防篡改+rm -rf fail-closed · b2faf01+9baa808 SR-3 budget_usd/SR-7 孤儿后台聚合/SR-4 · 2f30c62 agent-types F1 内置 Explore/Plan+F4/F7/F8)+fork 帧 Z4t "default to forking" 承重句恢复 393c534+export REGEN ca96ce1;三件锚核不出如实 N/A(ScheduleWakeup/never-auto-continue/PreToolUse 措辞);5107 绿;shasum 27510472 双腿,板 [574]。②**publish-dual 根治(acb4663)**:1.261.0 案两腿 shasum 漂移根因=per-leg publishConfig 重写 package.json→字节必然不同;修=单次 pack 双腿发同一 tarball+验证段 shasum parity 硬断言(本轮 sema-release 曾先发旧 tarball,DELETE 204 重发对齐)。③**实验判决四件**:A/B oracle 闸=**净+1 中性**(正样本 12/23→13/23 唯一 Δ=password-recovery;负样本 nginx 5/5→5/5 零误arm不拖慢;<+2 不达门→M2.5 基座维持 1.259.0;机制订正=闸按设计精确触发,证据在 sidecar finalVerifyInjections 非 transcript,docs/AB-ORACLE-GATE-VERDICT-2026-07-10)/ 腿W 300K/64K=**窗口税 net−3**(51 vs 54:64K 输出膨胀 timeout 9→14,「新 PASS 6」查实为方差;钉死 200K/32K,docs/LEGW-WINDOW-TAX-2026-07-10)/ **三死靶合议**(9-agent workflow,docs/DEADTARGET-*×3:overfull-hbox=方差题(CC 25% vs sema 31%,同签名死法跨引擎)· path-tracing-reverse=方差题(sema 5/28,腿C 已过,oracle 闸同向覆盖)· corewars=混合+**真引擎病理**=repetition 规则2 误判合法 redcode 重复切流三振→1.261.0 修;三题「稳定死」前提全被亲数分布证伪)/ **腿C/腿2 归因=服务端负载污染(混合型)**(recipe 89/89 三方核对全一致;腿2 paired sec/turn x1.19+tokens/s −22.5%+timeout 9→14,11 翻负中 6 死于时钟;8 分差≈3-5 负载税+3-5 方差,docs/M25-LEG-VARIANCE-ATTRIBUTION-2026-07-10)。④**parity 战线**:五维抽查 5 档(docs/PARITY-SPOT-*)+198→206 漂移调研 7 档(docs/CC-DRIFT-198-206-*:204 已 GA 待对齐项本轮全清,REPL=DEFER)+上下文事务取证(压缩×subagent 返回=结构性互斥零缺口,CC 队列快照 vs 我方单线程 turn 循环判等价,8 事务点对照,docs/PARITY-CONTEXT-TRANSACTIONS-2026-07-10)+进度矩阵(≈58 项/落码 23+本轮七批/严格口径 VERIFIED=0,docs/PARITY-PROGRESS-MATRIX-2026-07-10) | **判决:M2.5 并集=57/89 差 1**(腿C 54+腿2 46,腿2 独中 extract-elf/mteb-leaderboard/qemu-alpine-ssh 3 题)。**新认证纪律**(负载归因落地):打分腿锁低负载窗(对齐腿C 窗口 UTC 22:00–02:30)+机制验证腿白天随跑+窗口空转填彩票腿。三腿在飞:legD 白天彩票+腿3 提前接跑+corewars×6 修复验收@sc-03。**教训入册**:①并发同文件交叉编辑事故×2(d4b4c96 吞邻居在飞编辑)→同文件域必须串行,零重叠才并行(分批只看文件冲突域);②黑板 [570]→[573] 跳号→校号看 tail 全量非增量;③fork 身份混淆活体案→FORK_DIRECTIVE_FRAME 承重句恢复(393c534)=逐字锚句不得自作主张裁剪的实证。**最大欠账=活体探针批**:落码未验 30+ 项(1.261.0 23 项+1.262.0 七批)按宪法严格口径 VERIFIED=0,已开工转 VERIFIED(优先 USAGE-F1 Read offload=TB 主线中弹面)。后续:M2.5 三腿收分并集判 ≥58;corewars oracle 闸零重入小案 |
-| 12 | 2026-07-11 | 1.259.0(判决腿)/1.263.0(在发) | **🎯 M2.5 达成:best-of-2 并集 61/89 ≥58,反超 CC(57)四题 + corewars 根治终判 + 1.263.0 collab 基座批 + TB2.1/SWE-Pro 双侦察起盘** | ①**M2.5 达成(goal 硬锁里程碑)**:legD 白天彩票腿(clay 质询「机器空转 8h」催生,15:05-19:26Z,同 recipe 1.259.0-winseam@n4@env-clean)=**53/89+独中 5 题**(build-cython-ext/build-pmars/feal-linear-cryptanalysis/model-extraction-relu-logits[timeout 但 write-out 窗口内交卷 reward=1.0]/sanitize-git-repo)→ **|C∪D|=61**·|C∪2|=57·|2∪D|=57·三腿全并 62;判据 max=61≥58 ✅(CC r1∪r2=57,反超+4)。**且 legD 吃着负载税拿下**(timeout 15≈腿2 档,走时中位 380s 居中)——干净窗腿上限更高。腿3(提前接跑 deviation,19:26:07Z 起,北京 3:26)为增量样本,冲 M3(66)。②**corewars 终判(1.261.0 首份生产亲数)**:6/6 试次 spared>0(2-14)/cuts=0/退化签名 0/无 3 振死;死法全转正常形态(1 timeout@turn137+4 threshold 不达+1 PASS 5/5)。终止层病理消除坐实,题目正式转方差题。③**1.263.0 双腿已发**(shasum 81e5d6cc,板 [581]):design/140 collab 基座批(defaultArgs 合并链/whenToUse 同源投影/内置 team-discussion+开关)+[571]③ 预算轴(codex F1 派发前闸补强)+bash 30K 活体修(198 _ho/gho 逐坐标);三轨评审=dogfood(sema live 8.2s/10.5K tok)+codex(REJECT v1→3 finding 全修 70a3aba)+独立 mock 验证 VERIFIED;service [424] 确认等此版接切片 1.5。④**考据纠偏**:TB2.1 侦察腿容器内实证——历史 cc-pro-r3 实为 CC 2.1.201 非 198,本轮 tb21-cc-198 腿=首个真 198 锚(过往 CC 对照数据版本坐标需标注)。⑤**双侦察起盘**:TB2.1(sc-03 双腿 18 题子集在跑,harbor 原生支持/89 题零增删/29 题实改含 overfull-hbox 官方修/迁移量级 S)+SWE-bench Pro(测试机挂闸等腿3,CC/sema 各 4 实例同条件,维度埋点与 TB 对齐;sc-01 判不可用=k3s 无 docker 红线)。⑥教训:黑板撞号又一例([576] 与飞轮撞,改 [578];动态校号 MAX+1 已入发板流程)。 |
-| 13 | 2026-07-11 | 1.261.0(腿A)/1.263.0(腿B) | **M3 新口径「新版本单腿铁底验证」双腿收账:单腿 60/89 历史新高(反超 CC 干净腿 +6)+ 双腿健康跑满** | ①**腿A(m3-1261-fb,测试机 4 并发,v4-pro,05:20-09:55Z)= 60/89**:我方单腿历史最高(此前 50-54),> CC 干净腿 54(+6)、>> 铁底 41(+19)。②**腿B(m3-1263-sc03,sc-03,05:21-09:49Z)= 55/89**:基线上沿+1,同超 CC。③5 分差=版本(1.261 vs 1.263)×机器×负载窗三重混杂,**不归因**(非 1.263 回归证据)。④并集 66/交集 49:数字恰触旧 M3 线 66,但两腿异版本异机=混杂口径,**只作方向性观察不作 M3 认证**;同版本 best-of-2 认证腿另排。⑤失败面结构:共同失败 23 题(稳定难点集,构建/仿真/分布式训练/多语言互兼容类为主)+单腿独挂 17(A 独挂 6/B 独挂 11),17≈2×历史方差带(8-10/腿)相符,含版本差+机器差+重采样三源。⑥健康度双绿:腿A harbor 全程存活、长尾两题(25-45min)正常收题零卡死;腿B 收题时容器全排空,仅 1 题触 1200s agent 上限(长任务预期)。收分纪律:凭据目录只列名零回显、双机只读、题名全中性化(观察员 subagent 执行)。 | **判决:M3 新口径达成**——新版本单腿铁底远超(60/55 双双 >41 且双双 ≥54 CC 线),1.261/1.263 换版跑坐实无能力回退、负载敏感度收窄(白天窗仍 60)。「单跑经常 50」时代结束的首个硬证据(轮 11 负载税归因+验证面修+cadence/oracle 闸累积增益的合账读数)。后续:①同版本 best-of-2 认证腿(1.265.1,低负载窗)冲正式 M3=66②共同失败 23 题按类分箱,挑 2-3 类做下轮归因靶③60 分腿的 verifier 逐题账归档 bench/tb-matrix |
-| 13b | 2026-07-11 | 1.261.0/1.263.0 | **轮 13 两腿 5 分差归因收账(workflow 19-agent:复核+17 题逐题取证+机器税配对)= 零版本差/零机器差,全采样方差;1.265.1 认证腿放行** | ①**60/55 二次确认成立**:独立方法(远端 python 一把梳 vs 初账逐题读)重算全同;89 题完整性/时间戳落窗/版本双证(89 份结果内嵌版本号 vs 机上 tgz)/满分抽查 8 题判定器产物核真,零存疑。②**17 差异题逐题裁决:17/17 variance_likely(high 6/med 11),version_signature=0,machine_env=0**。版本信号专项逐题核 5 类:截断阈形态差(1.261 行内 20K vs 1.263 ReadToolResult 30K)在 4 题可见但全部落在败因分叉点之后**零因果**;repetition 事件仅 2 处 spared 豁免非因果;压缩对称;墙钟顶死 4 题均为早期采样失误的下游终局;工具报错除 1 题容器权限类外全零。③**机器税=无**:配对 49 共过题 B/A 时长比中位 1.067(执行段 0.977)<1.15 线,符号检验 p≈0.39,token 速率持平(58.3 vs 59.1 tok/s)佐证服务端等同,触时限 B 反少 2;机器差上界 0~1 题。④判决:**5 分差全额=采样方差(B 挂 11−A 挂 6 的落点抖动),1.263 相对 1.261 零因果回退**。⑤**归因副产物 5 条改进候选**:(a)**高**:不可逆操作与读取同批并行执行序破坏状态案(1 题单点致死 880s 陪葬)→并行工具调度对副作用调用的排序护栏,查我方 Bash 只读并行纪律覆盖面;(b)中:交付脚本依赖会话内 pip 装的三方库、判定器独立环境跑不动→可移植性提示词面;(c)中:容器 8G cgroup OOM 后策略分岔(重构 vs 降采样)案记环境约束;(d)中:walltime_cutoff_recovery 写出窗口保全=1.263 正向能力实证(1 题靠它满分),候选=自然收尾前也强制落盘 checkpoint;(e)中:过度自信自宣完成 5 题复现型→终态自验证深度(oracle 闸工作流续档)。 | **判决:今晚认证腿=1.265.1 放行**(1.263 底座被证与 1.261 行为面等价,1.265.1 增量 4 修全带反事实测试锁;唯一常规动作=认证前 4 修冒烟)。同版本 best-of-2、n=4、env-clean、低负载窗(UTC 22:00-02:30)、1.0 口径,对 M3=66 线。改进候选(a)入下批引擎工作项,(e)并入 oracle 闸既有线 |
-
-### 轮 13b 增补(2026-07-11 晚,clay 判决)
-
-- **P-a①已落**:并行批默认 fail-closed 照 CC 206 锚,1.266.0 发(f563a02,codex 复审 2 finding 全修,live 探针 DeepSeek 两路由 3 腿全过,黑板[610])。
-- **P-a②(批内只读先行护栏)+ P-e(oracle 收尾硬闸)= 实验组候选,不进主线**(clay 拍:担心副作用,「后续实践了再看;如果只有正向作用你就做」)——两者均无 CC 锚属自研,落码前置条件=实验证明纯正向(bench A/B 且无劣化面)。
-- P-b/P-c/P-d 维持 ledger 13b 原判(提示面增益需 bench 验证)。

package/docs/TB-STABLE-SET-2026-07-08.md

@@ -1,127 +0,0 @@
-# TB 稳定集三轮逐题表(2026-07-08,海外机 91.199.82.197)
-
-> 数据腿产出:CC 对照腿 × sema 1249 基线 × 1239 轮逐题对齐,为 1257 翻红解读做地基。
-> 只列 task-id 与粗类别标签,不复述题目内容。P=reward 1.0,F=fail,`-`=result.json 无 reward(计 F)。
-
-## 数据源(全部 89 题对齐,零别名冲突)
-
-| 轮 | jobs 目录 | 总分 | 说明 |
-|----|-----------|------|------|
-| CC-r1 | `~/sema-tb/jobs/cc-pro-full` | 32/89 | night-cc 全量首轮,900s agent 超时上限,AgentTimeoutError 密集 |
-| CC-r2 | `~/sema-tb/jobs/cc-pro-cc-full-r2` | 25/39 | 仅 r1 失败题重跑(部分轮,39 题) |
-| CC-r3 | `~/sema-tb/jobs/cc-pro-r3-full` | 54/89 | CC 全量第三轮(最佳单轮) |
-| CC(任一轮) | r1∪r2∪r3 | 66/89 | 「CC 曾经通过」上包络 |
-| 1249-fb | `~/sema-tb/jobs/full-pro-1249-fb` | 51/89 | sema 1.249 基线(full-1249-two leg1,status 档 51/89 与逐题重算一致) |
-| 1239-os | `~/sema-tb/jobs/full-pro-1239-os` | 49/89 | sema 1.239.2 轮(pro;另有 flash 腿 48/89 未入表) |
-
-模型全部为 deepseek-v4-pro,同机同 harness(harbor + terminal-bench@2.0)。
-
-## 汇总
-
-- **稳定集(CC 任一轮 PASS ∩ 1249 PASS)= 50 题**。
-- 备选口径:CC-r3 单轮 ∩ 1249 = 45 题;CC-r1 单轮 ∩ 1249 = 24 题。
-- 2×2(CC任一轮 × 1249):双 PASS 50 | CC-only 16 | sema-only 1 | 双 FAIL 22。
-- 分差:CC 最佳单轮 54 vs sema-1249 51(-3);CC 上包络 66 vs 51(-15);CC 首轮 32 vs 51(+19,但 r1 受 900s 超时上限重创,不宜作能力面)。
-- 该稳定集将由收账腿与在跑的 1257 全量(`full-pro-1257-fb`)做交集;本表不等 1257。
-
-## 逐题表(89 题)
-
-| # | task-id | 类别 | CC-r1 | CC-r2 | CC-r3 | CC(任一轮) | 1249-fb | 1239-os | 稳定集 |
-|---|---------|------|-------|-------|-------|-----------|---------|---------|--------|
-| 1 | adaptive-rejection-sampler | ml | F | - | F | N | F | F | N |
-| 2 | bn-fit-modify | ml | F | F | P | Y | P | F | Y |
-| 3 | break-filter-js-from-html | sec | F | - | F | N | F | P | N |
-| 4 | build-cython-ext | build | F | P | P | Y | F | F | N |
-| 5 | build-pmars | build | F | P | F | Y | P | P | Y |
-| 6 | build-pov-ray | build | F | - | F | N | P | P | N |
-| 7 | caffe-cifar-10 | ml | - | - | F | N | F | F | N |
-| 8 | cancel-async-tasks | misc | F | P | F | Y | P | P | Y |
-| 9 | chess-best-move | misc | P | - | F | Y | F | F | N |
-| 10 | circuit-fibsqrt | misc | F | P | P | Y | F | F | N |
-| 11 | cobol-modernization | misc | P | - | P | Y | P | P | Y |
-| 12 | code-from-image | misc | F | P | P | Y | P | P | Y |
-| 13 | compile-compcert | build | P | - | P | Y | P | P | Y |
-| 14 | configure-git-webserver | build | P | - | P | Y | P | P | Y |
-| 15 | constraints-scheduling | ml | F | P | P | Y | P | P | Y |
-| 16 | count-dataset-tokens | misc | P | - | F | Y | P | F | Y |
-| 17 | crack-7z-hash | sec | P | - | P | Y | P | P | Y |
-| 18 | custom-memory-heap-crash | misc | P | - | P | Y | P | P | Y |
-| 19 | db-wal-recovery | misc | P | - | F | Y | F | F | N |
-| 20 | distribution-search | misc | P | - | P | Y | P | P | Y |
-| 21 | dna-assembly | misc | F | F | F | N | F | F | N |
-| 22 | dna-insert | misc | F | P | F | Y | F | F | N |
-| 23 | extract-elf | misc | F | P | P | Y | P | P | Y |
-| 24 | extract-moves-from-video | misc | P | - | F | Y | F | F | N |
-| 25 | feal-differential-cryptanalysis | misc | F | P | P | Y | P | P | Y |
-| 26 | feal-linear-cryptanalysis | misc | P | - | P | Y | P | F | Y |
-| 27 | filter-js-from-html | sec | F | F | F | N | F | F | N |
-| 28 | financial-document-processor | sys | F | P | P | Y | P | F | Y |
-| 29 | fix-code-vulnerability | sec | F | P | P | Y | P | F | Y |
-| 30 | fix-git | sys | P | - | P | Y | P | P | Y |
-| 31 | fix-ocaml-gc | misc | F | P | P | Y | P | P | Y |
-| 32 | gcode-to-text | misc | F | - | F | N | F | F | N |
-| 33 | git-leak-recovery | sys | F | P | P | Y | P | P | Y |
-| 34 | git-multibranch | sys | F | - | P | Y | P | P | Y |
-| 35 | gpt2-codegolf | ml | F | - | F | N | F | F | N |
-| 36 | headless-terminal | misc | P | - | P | Y | P | P | Y |
-| 37 | hf-model-inference | ml | P | - | P | Y | P | P | Y |
-| 38 | install-windows-3.11 | misc | F | F | F | N | F | F | N |
-| 39 | kv-store-grpc | misc | P | - | P | Y | P | P | Y |
-| 40 | large-scale-text-editing | misc | F | P | P | Y | P | P | Y |
-| 41 | largest-eigenval | misc | P | - | P | Y | F | F | N |
-| 42 | llm-inference-batching-scheduler | ml | P | - | P | Y | P | P | Y |
-| 43 | log-summary-date-ranges | data | P | - | P | Y | P | P | Y |
-| 44 | mailman | misc | F | P | P | Y | P | P | Y |
-| 45 | make-doom-for-mips | build | F | - | F | N | F | F | N |
-| 46 | make-mips-interpreter | build | F | F | F | N | F | F | N |
-| 47 | mcmc-sampling-stan | misc | F | P | P | Y | P | P | Y |
-| 48 | merge-diff-arc-agi-task | misc | P | - | P | Y | P | P | Y |
-| 49 | model-extraction-relu-logits | ml | F | F | - | N | F | P | N |
-| 50 | modernize-scientific-stack | misc | P | - | P | Y | P | P | Y |
-| 51 | mteb-leaderboard | misc | F | F | F | N | F | F | N |
-| 52 | mteb-retrieve | misc | P | - | F | Y | F | F | N |
-| 53 | multi-source-data-merger | misc | P | - | P | Y | P | P | Y |
-| 54 | nginx-request-logging | data | F | P | P | Y | P | P | Y |
-| 55 | openssl-selfsigned-cert | sys | F | F | P | Y | P | P | Y |
-| 56 | overfull-hbox | misc | F | - | P | Y | P | F | Y |
-| 57 | password-recovery | sec | F | - | P | Y | F | P | N |
-| 58 | path-tracing | misc | F | - | P | Y | F | F | N |
-| 59 | path-tracing-reverse | misc | F | - | P | Y | F | F | N |
-| 60 | polyglot-c-py | misc | F | F | F | N | F | F | N |
-| 61 | polyglot-rust-c | misc | F | - | P | Y | F | F | N |
-| 62 | portfolio-optimization | misc | P | - | P | Y | F | P | N |
-| 63 | protein-assembly | misc | F | F | F | N | F | F | N |
-| 64 | prove-plus-comm | misc | P | - | P | Y | P | P | Y |
-| 65 | pypi-server | misc | P | - | F | Y | P | P | Y |
-| 66 | pytorch-model-cli | ml | P | - | P | Y | P | P | Y |
-| 67 | pytorch-model-recovery | ml | F | P | P | Y | P | P | Y |
-| 68 | qemu-alpine-ssh | sys | P | - | P | Y | P | F | Y |
-| 69 | qemu-startup | sys | F | - | P | Y | P | P | Y |
-| 70 | query-optimize | data | F | - | F | N | F | P | N |
-| 71 | raman-fitting | misc | F | F | F | N | F | F | N |
-| 72 | regex-chess | data | F | - | F | N | F | F | N |
-| 73 | regex-log | data | F | P | P | Y | P | P | Y |
-| 74 | reshard-c4-data | misc | P | - | P | Y | P | P | Y |
-| 75 | rstan-to-pystan | misc | F | P | P | Y | P | F | Y |
-| 76 | sam-cell-seg | misc | F | F | F | N | F | F | N |
-| 77 | sanitize-git-repo | sys | F | P | F | Y | F | F | N |
-| 78 | schemelike-metacircular-eval | misc | P | - | F | Y | P | P | Y |
-| 79 | sparql-university | misc | F | P | P | Y | P | P | Y |
-| 80 | sqlite-db-truncate | data | F | P | P | Y | P | P | Y |
-| 81 | sqlite-with-gcov | data | F | P | P | Y | P | P | Y |
-| 82 | torch-pipeline-parallelism | ml | F | - | F | N | F | F | N |
-| 83 | torch-tensor-parallelism | ml | F | - | F | N | F | F | N |
-| 84 | train-fasttext | ml | F | F | F | N | F | F | N |
-| 85 | tune-mjcf | misc | P | - | P | Y | P | P | Y |
-| 86 | video-processing | sys | F | - | F | N | F | F | N |
-| 87 | vulnerable-secret | sec | F | P | P | Y | P | P | Y |
-| 88 | winning-avg-corewars | misc | P | - | P | Y | F | P | N |
-| 89 | write-compressor | misc | P | - | F | Y | F | F | N |
-
-## 备注 / 坑
-
-1. **CC 轮选择**:cc-pro-* 共三轮。r1(night-cc)900s 超时上限导致大量 AgentTimeoutError(32/89 严重低估);r2 只重跑 r1 的 39 个失败题;r3 是完整重跑(54/89)。「CC PASS」主口径取三轮并集(66),偏 CC 有利;单轮可比口径用 r3。
-2. **reward 缺失 3 处**(计 F):CC-r1 `caffe-cifar-10`、CC-r2 `query-optimize`、CC-r3 `model-extraction-relu-logits`(result.json 无 verifier reward,多为异常中断)。
-3. **别名映射**:service 档 TB-OVERSEAS-1239-REPORT.md 在海外机不可读(未找到);实际无需别名——七个 jobs 目录的 89 个 task 段完全一致,零差集。
-4. 1249 还有一条 `full-pro-1249-nocap` 腿(46/89,leg2),非基线口径,未入表。
-5. 类别标签为 id 关键词粗分(build/ml/sec/data/sys/misc),仅作分组参考。

package/docs/TB21-RECON-2026-07-11.md

@@ -1,28 +0,0 @@
-# TB2.1 双腿侦察终报(2026-07-11 夜班,sc-03)
-
-> 首个真 CC 2.1.198 锚腿(容器内实证;考据纠偏:历史 cc-pro-r3 实为 2.1.201)vs sema 1.259.0-winseam,18 题子集,n=2 k=1 同窗同机。数据:sc-03 ~/sema-tb/jobs/{tb21-cc-198,tb21-sema-1259w}。
-
-## 汇总
-- **CC198 15/18 · sema 12/18 · 并集 16/18 · 交集 11/18**
-- CC 独过 ×4:configure-git-webserver / install-windows-3.11 / overfull-hbox / polyglot-c-py
-- sema 独过 ×1:extract-elf(CC 烧 435s/29.8K out 仍挂)
-- 两腿全挂 ×2:caffe-cifar-10、query-optimize(均长走时天花板,非 harness 不兼容)
-
-## 维度
-| 指标 | CC198 | sema |
-|---|---|---|
-| 走时中位 | 412s | 263s |
-| 输出 token 中位 | 14,570 | 10,444(~72% of CC,延续 2.0「省 output」画像)|
-| 显式 AgentTimeoutError | 2 | 0(但同题 reward=0——两腿终止语义不同,跨腿 timeout 计数不可直比)|
-
-## 地形情报
-- harbor 0.17.1 原生支持 2.1(新式 id `terminal-bench/terminal-bench-2-1`;任务名带 org 前缀;`-o`+`--job-name` 多一层目录)。89 题零增删,29 题实改(26 文件级+3 资源提额)。
-- 官方修复体现:rstan-to-pystan(2.0 sema 5/28 死靶)**双腿都过**=最干净的正向体现;overfull-hbox CC 过/sema 挂(部分体现,n=2 无法定谳)。
-
-## 🚩 红旗:sema 早退型失败 ×2(待归因)
-- **polyglot-c-py**:sema 84.5s/3.5K out 即收 reward=0(CC 628s/43K 过)——不是「想不出」是「没怎么跑就走了」。
-- **configure-git-webserver**:sema 114s 即收(CC 118s 过)。
-- 若是引擎终止层回归(corewars 病理同类)必须修;若是方差需更高 n 复跑坐实。**归因进行中**。
-
-## 迁移终判
-**A 级可迁移**(锚腿达标 15/18、oracle smoke 通、无 adapter 阻断、脚本级适配两处),不给无条件 S:sema 3 分差+两处早退嫌疑需高 n 复跑归因后再定。判决腿切 2.1 前置条件=早退归因清零。