@sema-ai/core 1.277.0 → 1.277.1

package/docs/DEADTARGET-OVERFULL-HBOX-2026-07-10.md

@@ -1,92 +0,0 @@
-# overfull-hbox 双挖掘者+对抗复核合议档(2026-07-10)
-
-> 两个独立 fable5 挖掘者各自上测试机归因,本档=第三方对抗复核官现场抽验(全量 reward 重数+轨迹逐步取证)后的合议判决。
-
-## 〇、结论先行
-
-1. **"稳定死"前提=FALSE(复核官亲数坐实)**:全量 41 个 run,CC 1/4 PASS(25%),sema 侧 11/36 PASS(30.6%,1 个 infra None 剔除)。**我方通过率不低于 CC**。M1/M2/腿C 三连挂在 ~31% 通过率下是正常方差(P(三连挂)≈0.33)。
-2. **归因=混合:题面对抗陷阱 × 模型语法先验(双边共享)× 采样方差,无引擎机制缺口**。28 个 FAIL 里 25 个已把 compile+no-overfull+main.tex 未动三项测试全过,只死在约束字面性(test_input_file_matches);CC 的 3 个 FAIL 与我方主流死法**逐字同签名** `assert ('an' == 'a')`。
-3. **本题应从 CC-diff 靶心降级为双边方差题**;best-of-n 口径下我方已过(siege-a 2/3、rerun 系多次 PASS)。
-4. **弱杠杆存在(prompt/oracle 面,中低置信)**:受限编辑任务的"约束字面审计"习惯(编辑前留原件快照+收尾机械 token-diff 对照白名单),恰好是 1.260.0 oracle 接地闸 grounding-signal 可投影的形态;需 N≥5 A/B。**不建议任何冠词/同义词特判**。
-
-## 一、题面与陷阱结构(复核官核实)
-
-- instruction(`~/.cache/harbor/tasks/ca36CXF7yAdWnRdpyfoihT/overfull-hbox/instruction.md`)显式声明:**"the only edits you may make are to replace words in input.tex with their specified synonyms in synonyms.txt"**——约束是明示的,verifier 字面执法是公平的(对抗但不阴)。
-- verifier(`tests/test_outputs.py` ~L102-110):逐 token zip 比对,token 数必须相等、前后缀标点全等、`assert w == w_agent or (w in synonyms and w_agent in synonyms[w])`。
-- **陷阱几何**(synonyms.txt 110 行,复核官核实):
-  - **无 a/an 族**(grep 整词 a/an = 0 命中)→ 冠词一个字都不能动;
-  - `intimate` 族=close/personal/familiar/confidential——**全辅音开头**,而原文有 "**an** intimate revelation was quivering"(盖茨比开篇)→ 换掉 intimate 后语法过硬的模型必然想把 an→a"顺手修正"=必死;
-  - `extraordinary` 族含元音开头的 `amazing`——"an extraordinary gift" 位点存在合法出路;
-  - `younger` **不在表内**(younger/newer 均无)→ 任何 "younger"→"newer" 替换必死;`revelations` 族有 discoveries 但自造复数 "discoverys" 必死。
-- 过题三条路:①不碰冠词位点(CC 唯一 PASS 走的路)②选元音开头同义词凑冠词(amazing)③接受病句 "an close epiphany"(siege-a 赢家走的路)。
-
-## 二、两票摘要
-
-| 票 | 前提核查 | 根因 | 杠杆 |
-|---|---|---|---|
-| A | CC 1/4=25%;sema 29 run 11 PASS≈38% | 双边共享模型语法先验:an→a 顺手修正撞 verifier 逐词对照;CC/sema 死法逐字相同 | 主判无杠杆;次级=prompt 面通用"编辑前快照+token-diff 自检"习惯(低置信) |
-| B | CC 1/4=25%;sema 36 run 11 PASS≈31% | 验收面字面主义陷阱×模型语法本能;FAIL 分类=冠词 18+词形 6+其它 3+真能力 1 | 无引擎鸿沟;弱杠杆=final-verify 约束字面审计(1.260.0 grounding-signal 可投影形态),N≥5 A/B |
-
-**两票冲突点及裁决**:
-1. **sema 样本数 29 vs 36**:复核官全量 find(maxdepth 4)重数=**B 对**(非 CC 侧 37 目录,36 有分+1 None;A 的 29/18 内部算术也不自洽:其自列 FAIL 明细实为 20 项)。A 漏了浅层目录的 fence-l1/codewhale/flash/ohmypi/unleashed 等。方向不受影响(两票都得出 sema≥CC)。
-2. **m2-cert 致命步编号 A=tool#16 vs B=[31]**:按 tool_start 序数=**#16(A 对)**,B 的 [31] 为其他计数口径;**内容两票一致且属实**(见下)。
-3. **CC PASS 决定步**:A 说 step 6 'an extraordinary gift'→'an amazing gift'=真;B 说复数位点在 step 16=实为 **step 17**(差 1),revert 在 step 16(B 说 13-15,实际 13-14 编译发现+16 revert)。实质均成立。
-4. **B 的 FAIL 分类微修**(复核官全量签名扫描):冠词 **17**(an→a 16 + a→an 1=full-pro-1257)、younger/newer **4**、discoverys **1**、**token 数不齐 3**(assert 939==938:full-pro-1244/rerun-ctl-iwUHH6S/targeted-1249,吞并 token 也是字面性失守)、overfull 残留 **3**(纯能力挂仅 unleashed-fails__Ba8Axqc,另 2 个 r3-rerun__Phd8p7c/rerun-1258__LuYD2m4 双挂)。共 28 FAIL。
-
-## 三、复核官现场取证(全部亲验)
-
-### 3.1 全量 reward 分布(41 run,reward=result.json:verifier_result.rewards.reward)
-
-| 侧 | PASS | FAIL | infra | 通过率 |
-|---|---|---|---|---|
-| CC(claude-code 2.1.198 + deepseek-v4-pro) | 1(cc-pro-r3-full__uRfk2Uy) | 3(cc-pro-full__ZSHUZGr/cc-pro-fails__7STevhr/cc-pro-smoke__5qV6Typ) | 0 | **25%** |
-| sema 全引擎系 | 11 | 25 | 1(rerun-n5-1249ctl__FdSs8j6=None) | **30.6%** |
-
-sema PASS 11:full-pro-1249-fb__TincXQX、r3-rerun-1258.5__fpMu64F、rerun-n5-1249ctl__{3xn7Qkv,aHQsfjp}、rerun-n5-1249lowc__{i5kE5di,T4FdjCk}、rerun-n5-1258__{FrDZuag,PuAsZ7b}、sema-pro-unleashed-fails-r2__JbDcH6y、siege-a-1259__{2C5KKRr,36wFiy6}。
-sema FAIL 25:fence-l1__4xeVJoZ、full-1258.5__BRYn2j4、full-codewhale-pro__QKB9SsM、full-flash-1239-os__WdhuiZW、full-pro-1239-os__cq8GPtD、full-pro-1244__P67K9ic、full-pro-1249-nocap__myruUxB、full-pro-1257__GbyRxMm、m1-cert__PK7SE3F、m2-cert__vBB8sWP、ohmypi-pro-full__gHLLcMZ、r3-rerun×4(9Dke8DB/kamHoE6/Phd8p7c/rtbjkTE)、rerun-ctl×2(iwUHH6S/wqmSFYH)、rerun-lowc__UhoeZtf、rerun-1258×3(DWSf4PH/LuYD2m4/wjsyMGA)、unleashed-fails__Ba8Axqc、siege-a__P22F8gX、targeted-1249__SpB34EU、win-ctl__46vCoLE。
-同版本 1.259 内部:siege-a 2/3 PASS vs m2-cert/win-ctl 双挂=纯采样噪声。
-
-### 3.2 失败模式同一性(亲验 6 个关键 run 的 verifier/test-stdout.txt)
-
-cc-pro-full、cc-pro-fails、cc-pro-smoke、m1-cert、m2-cert、win-ctl 六个 run **全部**=`E assert ('an' == 'a'`,且 `1 failed, 3 passed`(compile/no-overfull/main.tex 未动全绿)。**codewhale(QKB9SsM)和 v4-flash(WdhuiZW)也同死 'an'=='a'**——冠词修正先验跨模型存在,进一步排除引擎归因。
-
-### 3.3 轨迹逐步取证
-
-- **CC 唯一 PASS**(cc-pro-r3-full__uRfk2Uy/agent/trajectory.json,24 步):21 次 Edit(19 净替换+step12 'plagiaristic'→'copied' 引发级联 overfull 后 step16 原样 revert);step 6 含 'an extraordinary gift'→'an amazing gift'(元音兼容);**全轨迹机械 token-diff 扫描=零冠词变更**;单数陷阱位点 "an intimate revelation was quivering" 全程未碰(step 17 只改了 'the intimate revelations of young' 复数位点,冠词是 the);step 21-22 仅 pdflatex 验证,**无任何约束自检**。判决:赢在窄编辑面+替换选择恰好冠词兼容,不是识破陷阱,不是引擎机制。
-- **CC 3 FAIL 致命步**(亲验):cc-pro-fails step 12 段落级 Edit 内 "…sign that an intimate revelation was quivering"→"…sign that **a close revelation** was quivering";cc-pro-smoke step 5 同位点→"**a close exposure**";cc-pro-full step 6 **整文件 Write**(4960 字符)内嵌 "…mark that **a close epiphany** was quivering"。
-- **sema 代表 FAIL**:m2-cert__vBB8sWP events.jsonl tool_start#16=Edit 'an intimate revelation was quivering'→'**a** close exposure was quivering'(#14 已 replace_all intimate→close,#16 是"回头修语法"的有意识致命步);win-ctl__46vCoLE tool_start#40=Edit 'an intimate revelation'→'**a** close revelation',完全同构。
-- **win-ctl 自检未遂(重要证据)**:#47 python3 → exit 127(容器无 python3),#48 python → exit 127,#49 退化 bash 检查逻辑有 bug 全量假 FAIL(#50 的 grep 证明那些词对其实都在族内),#50 仅验"替换词∈词族"**对冠词编辑结构性盲**(原始 input.tex 只在 /tests 不可见,agent 无编辑前副本可 diff)。模型有自检意愿、缺方法论。
-- **sema PASS 反证**(siege-a__36wFiy6):#32 Edit 'an remarkable'→'an amazing'(用元音同义词自救此前造出的病句),#57 Edit 'an intimate revelation'→'**an** close epiphany'(**明知病句仍守约束**)。同模型能自发悟到正确姿势=提升上限有限的直接证据。
-
-## 四、合议判决
-
-- **归因类别:混合**(题面对抗陷阱设计 × 模型语法先验双边共有 × 采样方差)。**排除引擎机制缺口**:①死法逐字同签名跨 CC/sema/codewhale/flash;②CC 通过率(25%)不高于我方(30.6%);③CC 唯一 PASS 无任何 sema 缺失的机制(无约束自检,纯 pdflatex 循环);④同版本 siege-a 2/3 过而 m2/win-ctl 挂=版本内方差。
-- **CC 制胜机制**:不存在。唯一 PASS=窄编辑面策略+替换选择运气(避开单数冠词位点+amazing 元音兼容),CC 自己 3/4 死在同一坑。
-- **我方失败机制**:与 CC 完全同款——模型在合法同义词替换后按语法本能"顺手修正"冠词(或自造词形/吞并 token),违反明示的编辑白名单;唯一纯能力挂(overfull 没清完)仅 1/36。
-- **M1/M2/腿C 三连挂定性**:~31% 通过率下的正常方差,不构成机制信号,不应作为 CC-diff 靶投入单题工程。判决口径应用 best-of-n。
-
-## 五、候选杠杆
-
-- **主判:无引擎杠杆(高置信)**。排除依据见判决①-④。**禁止**冠词/同义词/本题任何特判(过拟合)。
-- **弱杠杆(prompt/oracle 面,中低置信,通用形态)**:当 instruction 含显式编辑白名单时,养成两个通用习惯——
-  1. **编辑前快照**:动手前 `cp` 原件副本(win-ctl 的自检若有快照+正确 diff 就能逮到 an→a 并回滚,该 run 前 3 测试全绿只差这一步);
-  2. **收尾约束字面审计**:结束前对自己全部 diff 做机械 token 级对照白名单复查(冠词/大小写/词形变化均算违规),加一条通用 heuristic"verifier 通常字面执法,禁止白名单外的顺手语法修正"。
-  形态恰好落在 1.260.0 oracle 接地闸 step A(grounding-signal 确定性结构信号投影)射程内。**预期收益有限**(同模型已能自发悟到,siege-a 证),**必须 N≥5 双版本 A/B 坐实才可算增益**。
-
-## 六、诚实边界
-
-- 通过率估计基于 CC n=4 / sema n=36,CC 侧样本极小,25% vs 31% 无统计显著差异——只能说"无证据表明 CC 更强",不能说"我方更强"。
-- sema 36 run 混多版本/多并发档/少量非 v4-pro 模型(codewhale/flash/ohmypi 3 个);剔除后 v4-pro 系 11/33=33%,结论不变。
-- 弱杠杆的增益上限未量化;冠词死 14 个(sema 侧)理论可翻,但快照+diff 习惯能否被模型稳定执行本身就是采样问题。
-- 两票的证据实质全部核实为真;数字层面 A 票样本数(29/18)与 B 票 FAIL 分类(18/6/3/1)各有小误,均不影响方向。
-
-## 七、证据坐标(全部为复核官亲验)
-
-- 全量分布:`ubuntu@91.199.82.197:~/sema-tb/jobs/**/overfull-hbox__*/result.json:verifier_result.rewards.reward`(41 目录,find maxdepth 4,本档 §3.1 逐 run 列表)
-- 失败签名扫描:各 FAIL run `verifier/test-stdout.txt` 首条 `E assert`(§二·裁决4 分类)
-- 题面/verifier/词表:`~/.cache/harbor/tasks/ca36CXF7yAdWnRdpyfoihT/overfull-hbox/{instruction.md,tests/test_outputs.py(~L102-110),tests/synonyms.txt}`
-- CC PASS:`cc-pro-r3-full/overfull-hbox__uRfk2Uy/agent/trajectory.json` step 5-22(21 Edit 全列+ARTICLE-DELTA 扫描=0;step 6 'an extraordinary gift'→'an amazing gift';step 12/16 copied 回退对;step 21-22 仅 pdflatex)
-- CC FAIL:`cc-pro-fails__7STevhr` step 12、`cc-pro-smoke__5qV6Typ` step 5(段落 Edit 内 an→a 逐字摘录见 §3.3)、`cc-pro-full__ZSHUZGr` step 6(Write /app/input.tex 4960B 含 'a close epiphany')
-- sema FAIL:`m2-cert-1259-fb/full89/overfull-hbox__vBB8sWP/agent/events.jsonl` tool_start#14/#16/#17;`win-ctl-1259-fb/full89/overfull-hbox__46vCoLE` tool_start#40(致命)+#47-50(自检三重失效,#47/#48 exit 127 输出逐字核过)
-- sema PASS 反证:`siege-a-1259-fb/siegea/overfull-hbox__36wFiy6/agent/events.jsonl` tool_start#32/#57
-- 唯一纯能力 FAIL:`sema-pro-unleashed-fails/overfull-hbox__Ba8Axqc`(仅 test_no_overfull_hboxes 挂)

package/docs/DEADTARGET-PATH-TRACING-REVERSE-2026-07-10.md

@@ -1,87 +0,0 @@
-# path-tracing-reverse 对抗复核合议档(2026-07-10)
-
-> 两位独立挖掘者(极简 prompt 无预设角度)分头上测试机挖机制根源;本档 = 对抗复核官现场抽验证据坐标 + 亲手重数双边历史分布后的合议判决。
-
-## 〇、结论先行
-
-1. **"稳定死"前提被证伪(高置信,亲手重数)**:双边都是高方差低通过率题。CC 1/3 PASS,sema pro 引擎 5/28 PASS(全历史,含 1.259.0 同版本腿C PASS)。M1/M2 双挂 = 从 ~18-23% 通过率里连抽两次 FAIL 的正常样本。
-2. **归因类别 = 模型面/采样方差(主)**:同模型 deepseek-v4-pro 在双方 harness 下都出现过"转向经验拟合/全图量具迭代"(赢)与"反汇编惯性到死"(输)两种采样;胜负由 30 分钟 walltime 竞速内的策略选择决定,非引擎机制鸿沟。
-3. **无引擎杠杆**;次级 prompt/oracle 面卫生信号存在(completed-but-wrong 族 2 例 = 抽点自验收误判"identical"),**与在飞 1.260.0 oracle 接地闸(grounding-signal)完全同向,不需要为本题新开工程**,只需把本题纳入 1.260.0 A/B 验收腿观察集。
-4. 本题在 M2.5 best-of-2 口径下已天然覆盖(腿C tQ9ML5C@1.259.0 PASS)。
-
-## 一、两票摘要
-
-| 票 | 前提核查 | 根因 | 杠杆判断 |
-|---|---|---|---|
-| 挖掘者1 | 证伪:CC 1/3,sema 近期 5/21 | 30min walltime 收敛竞速;胜负=是否早转向"经验参数拟合+快速单像素/单行探针";M2 死于反汇编惯性(28% 预算泡 objdump、全程 2 次全图对比零改进、最后 4 秒盲写未验证稿) | 主判无杠杆(高置信);次级=mid-budget 进度自检 steering + finalize 加"勿盲重写"(均低置信,CC 无此机制) |
-| 挖掘者2 | 证伪:CC 1/3,sema pro 5/27 | 同上收敛竞速;FAIL 两族:①主族 timeout 切死迭代中途 ②次族 completed-but-wrong(抽点像素自验收把"差不多"当"identical"提前收工)=唯一非纯方差结构信号 | 主判无引擎杠杆(高置信);次级=把"identical"接地为"字节全同,先建全图确定性量具(md5/全图误差)再迭代",直接救 7ZeMAnf/fYiXqWK 两例,与 oracle 接地闸同向(中置信) |
-
-两票核心结论一致,无实质冲突;差异仅在分母口径(21 vs 27)与次级杠杆侧重(steering 时机 vs oracle 量具接地)。复核官亲数裁决分母见下。
-
-## 二、复核取证(对抗抽验,全部现场重取)
-
-### 2.1 双边分布亲手重数(全量 find,36 个目录,非挖掘者2所称 37)
-
-reward 判定路径统一用 `result.json → verifier_result.rewards.reward`,与 `verifier/reward.txt` 交叉一致。
-
-**CC 侧(3 run,其余 cc-pro-{cc-fails-r2,cc-full-r2,fails-r3,smoke} 均 0 个本题目录,亲核)**:
-
-| run | reward | 备注 |
-|---|---|---|
-| cc-pro-full/eiCRWME | 0.0 | AgentTimeoutError;verifier 死在 `chroot /jail_clean /reverse` 渲染残稿(exit≠0,CalledProcessError,亲核 test-stdout.txt) |
-| cc-pro-fails/Z5FhS2o | 0.0 | sim=0.9132163998792588(亲核)|
-| cc-pro-r3-full/22acJoq | **1.0** | 也有 exception.txt=AgentTimeoutError,靠盘上已持久化合格稿得分 |
-
-**CC = 1/3 ≈ 33%**。
-
-**sema pro 引擎侧(30 目录,28 个有 verifier 数据;排除 full-flash-1239-os=flash 模型、full-codewhale-pro/ohmypi-pro-full=他模型)**:
-
-| 桶 | run(reward) |
-|---|---|
-| PASS ×5 | ceiling3-1258.4/DBqkK8o=1;r3-rerun-1258.5/{7JqLTtX=1(completed),cU27JxW=1(**timeout 仍得分**)};siege-b1-1259/QrPh6pb=1;**win-ctl-1259(腿C@1.259.0)/tQ9ML5C=1** |
-| FAIL-sim 族 | a1-ccdiff/SkRVzWb;ceiling3/{5C77ksu,7ZeMAnf=0.7858,J8pRvzg,PmWawbz};full-pro-1239/ECYheKh;full-pro-1249/AgWUPsn;m1-cert-12586/udJ2Usj=**0.9629**;m2-cert-1259/CHJrGXo=**0.8992**;r3-rerun/{4wLM3T8,cAiUJfB,Tz7ebGk};siege-b1/{cxRepqo,fYiXqWK=0.9260} |
-| FAIL-残稿族(无 sim 行,编译/chroot/无文件) | a1-ccdiff/{7hCGBZA,eQdvhby,ETCXTZ6,sFNTMpa};full-1258.5/RoNvU5U;full-pro-1244/TqEA8WL;full-pro-1249-nocap/jV5o6HT;full-pro-1257/tGY7w7P;sema-pro-unleashed-fails/toGfh9n |
-| 无 verifier 数据(infra)×2 | full-pro-12582/pAWnjzr(CancelledError);win-300k/n5CwFHc |
-
-**sema pro = 5/28 ≈ 17.9%;近期(≥1.258.4)= 5/22 ≈ 22.7%**(挖掘者1 的 5/21、挖掘者2 的 5/27 均为分母小误,方向不变)。CC 1/3 vs sema 5/28:n=3 误差带巨大,统计上不可区分 → **stable_dead=false,cc_stable_pass=false**。
-
-### 2.2 关键轨迹抽验(逐字对上)
-
-- **CC 赢法(22acJoq trajectory.json,50 步)**:step22(19:28:50)"write the C ray tracer based on my analysis and verify it matches";step40 "write a test program that outputs a single row so I can quickly iterate";step41 "the disassembly analysis is too time-consuming... extract the actual ray parameters by probing";step48 "light direction matches the camera direction normalize(1,1,-1)";step50 "Only 47 pixels differ"。**挖掘者1 五处引文全部逐字坐实**。
-- **M2 死法(CHJrGXo events.jsonl)**:done={status:timeout,tMs:1796130,errorCode:limit.timeout,turns:51,toolCalls:64,outputTokens:146436};deadline_nudge tMs=1475519、finalize tMs=1713757(preview 逐字亲核);objdump 工具事件 27 次,**nudge 之后仍持续到 tMs=1616660**;末次 mystery.c 写入 tMs=1792770(cutoff 前 ~3.4s),**其后工具事件 = 0(亲数)= 最后盲写稿从未编译验证即被判分**,sim=0.8992。
-- **我方赢法(7JqLTtX,completed)**:tool_end 输出 `e866fa2c851f4a9da736b4ed3ba3912e /app/image.ppm`(md5 对齐法,tMs=547639 已首现)——胜局配方在我方轨迹内。
-- **护栏有效(两案)**:cU27JxW status=timeout 但 reward=1(finalize 前盘上已持久化正确稿);腿C tQ9ML5C 有 AgentTimeoutError 仍 PASS,单像素探针 `test_tracer` 于 tMs=1324644 首现(挖掘者1 所称 t=1324s 坐实)。walltime/finalize 护栏机制无缺口。
-- **completed-but-wrong 族(结构信号)**:7ZeMAnf(completed,sim 0.7858)、fYiXqWK(completed,sim 0.9260)——status=done:completed 亲核,自验收抽点像素误判"已 identical"提前收工。2/28,非主死因但真实存在。
-- **判分面**:`~/.cache/harbor/tasks/5CV2XfZKatcdbEk2ctQQAF/path-tracing-reverse/tests/test_outputs.py` `assert similarity >= 0.995`(容差型);task.toml:timeout_sec=1800,expert_time_estimate_min=120,difficulty=hard(全亲核)。
-
-## 三、合议判决
-
-- **归因类别:模型面/采样方差(主),混一条低权重 prompt/oracle 结构信号**。这题=30 分钟 walltime 对 2 小时专家任务的收敛竞速,双边打法同构(objdump 反汇编 + rodata 浮点解码 + 编译-渲染-对比迭代),胜负取决于采样出的策略节奏:早建全图确定性量具 + 早弃穷尽反汇编转经验拟合者赢。
-- **CC 制胜机制**:非引擎机制——模型自发的显式元认知转向(step41 弃坑宣言)+ 高频"改稿→gcc→渲染→全图对比"闭环 + 单行探针加速迭代。同款打法我方腿C/7JqLTtX 都复现并赢过,且 7JqLTtX 的 md5 字节全同对齐比 CC 打得更狠。CC 自己 2/3 也死(1 次超时残稿 chroot 死 + 1 次 0.913 差口气)。
-- **我方失败机制**:M2=反汇编策略惯性(nudge 后仍 objdump,全程仅 2 次全图对比且 diff 从 18.03%→19.10% 零改进,最后 3.4 秒盲写未验证稿);M1=参数猜测式微调拖死(sim 0.963)。均为采样级策略选择,引擎护栏(nudge/finalize/timeout 保稿)全部按设计工作。
-- **排除依据(为何判无引擎杠杆)**:①同引擎同版本(1.259.0 腿C)已 PASS;②护栏被 cU27JxW(timeout 仍得分)与 tQ9ML5C 双案实证有效;③CC 无任何我方缺失的引擎机制(其 PASS 亦是 timeout 保稿形态);④双边通过率统计不可区分。
-
-## 四、候选杠杆(不为本题单独动工)
-
-1. **oracle 量具接地(中置信,已在飞)**:把"identical"类验收接地为"先建全图确定性量具(md5/全图误差和/余弦)再迭代,抽点像素不作为收工依据"。直接救 completed-but-wrong 两例(7ZeMAnf/fYiXqWK),且全图量具反馈梯度强于抽点、可能整体加速收敛。**这就是 1.260.0 oracle 接地闸(grounding-signal.ts)的形态,行动项=把本题纳入其 A/B 验收腿观察集,不新开工程。**
-2. **finalize 卫生句(低置信,通用非本题)**:"优先保留已编译验证的版本,勿在最后秒盲重写未验证代码"。注:即使生效也翻不了 M2 该 run(已测稿 sim 0.899 同样过不了 0.995),纯卫生改进。
-3. **mid-budget 进度自检 steering(低置信,不建议)**:CC 无此机制仍靠模型自发转向;加注入未必改变采样且有全局副作用。
-
-## 五、诚实边界
-
-- CC 侧 n=3(其中 cc-pro-fails 为 fails 复跑桶),置信区间极宽;"CC 33% vs sema 18-23%"的差值在此样本量下无意义。
-- 两挖掘者分母小误(21/27 vs 亲数 22/28)与目录总数(37 vs 36)不影响任何结论方向。
-- 挖掘者2 所引 7JqLTtX"步74/79 md5"步号未逐一复核(md5 值与文件本体已亲核在案,tMs=547639 首现);不影响判决。
-- 2 个 infra 缺数 run(pAWnjzr/n5CwFHc)按无数据处理,未计入任何分子分母。
-
-## 证据坐标(全部亲核)
-
-- 分布全量:`find ~/sema-tb/jobs -maxdepth 4 -type d -name "path-tracing-reverse__*"` = 36 目录,逐一取 `result.json → verifier_result.rewards.reward`(见 §2.1 表)
-- CC PASS:`cc-pro-r3-full/path-tracing-reverse__22acJoq/agent/trajectory.json` step22/40/41/48/50 + exception.txt=AgentTimeoutError + reward=1.0
-- CC FAIL:`cc-pro-full/path-tracing-reverse__eiCRWME`(verifier test-stdout:chroot /jail_clean /reverse CalledProcessError);`cc-pro-fails/path-tracing-reverse__Z5FhS2o`(sim 0.9132163998792588)
-- M2 死法:`m2-cert-1259-fb/full89/path-tracing-reverse__CHJrGXo/agent/events.jsonl`(done timeout tMs=1796130/51turns/64tools/146k out;nudge 1475519;finalize 1713757;objdump×27 至 1616660;末写 1792770 后零工具事件)+ verifier sim=0.8991891742797053
-- M1:`m1-cert-12586-fb/full89/path-tracing-reverse__udJ2Usj` sim=0.9628778585578166
-- 我方赢法/护栏:`r3-rerun-1258.5-fb/r3/path-tracing-reverse__7JqLTtX`(completed,md5 e866fa2c…tMs=547639);`…__cU27JxW`(timeout,reward=1);`win-ctl-1259-fb/full89/path-tracing-reverse__tQ9ML5C`(reward=1,test_tracer tMs=1324644,AgentTimeoutError 仍 PASS)
-- completed-but-wrong:`ceiling3-1258.4-fb/ceiling3/path-tracing-reverse__7ZeMAnf`(completed,0.7857618849191528);`siege-b1-1259-fb/siegeb1/path-tracing-reverse__fYiXqWK`(completed,0.9260206589013094)
-- 判分面:`~/.cache/harbor/tasks/5CV2XfZKatcdbEk2ctQQAF/path-tracing-reverse/tests/test_outputs.py`(similarity≥0.995)+ task.toml(1800s/120min/hard)
-- CC 其余 job 无本题:cc-pro-cc-full-r2 / cc-pro-cc-fails-r2 / cc-pro-fails-r3 / cc-pro-smoke 各 0 目录

package/docs/DEADTARGET-WINNING-AVG-COREWARS-2026-07-10.md

@@ -1,96 +0,0 @@
-# winning-avg-corewars 对抗复核合议档(2026-07-10)
-
-> 两位独立挖掘者(视角A=CC/sema 轨迹逐步对比、视角B=全量分布+终止层病理)+ 本档=第三方对抗复核官现场取证裁决。复核官亲自上测试机重数全量 reward 分布、抽验双方关键坐标、并对两票冲突处独立取证。
-
-## 〇、结论先行
-
-1. **"稳定死"前提=证伪**(双票一致,复核官重数坐实):sema(deepseek-v4-pro)计分 17 run = **7 PASS / 10 FAIL(41.2%)**;CC 2/2 PASS(n=2,不足以断言 CC 稳过)。M1/M2/腿C 三连挂在 ~59% 单发挂率下 P≈20%,均值回归假象。
-2. **归因=混合**:~3/10 FAIL 是真能力挂(押注弱 archetype 诚实交卷),**其余 ~6-7/10 死于引擎终止层病理**,其中最重的一条是本次复核官新钉死的:
-3. **★ 复核官独立定谳(推翻两票的机制解释)**:2 例 `output.degenerate` 死法的真因是 **`looksDegenerate` 规则2 对合法重复内容的假阳性**——redcode 的 boot/paper 代码天然就是同一行 `mov <src, <dst` 逐字重复 6-8 次(≈138 chars ≥ MIN_COVER=120、reps ≥ MIN_REPS=6,精确落入 `src/brain/repetition.ts:47-57` 检测窗)。模型在正确地写 warrior,流被检测器切断→3 strikes→整任务 143s 即死,`my_warrior.red` 从未落盘。**不是** A 说的"provider 错误被误分类为退化",**也不是** B 说的"stop-token/流处理交互"——三个 error turn 期间 reasoning_delta 流完整存在,内容就是重复的 redcode 行;usage=0 是流被中途 cancel 所致。CC 同模型写同类代码不死=CC 无此流切检测器,双边差异确凿归引擎面。
-4. **策略-结局相关性=铁**(A 的核心论点,复核官在 A 未见过的 run 上验证通过):8 个抽验 run 零反例——PASS 末版全是 G2-Clear/core-clear 家族变体(含 A 漏数的 `full-pro-1249-nocap__MXc6qdE`:";strategy G2-Clear style gate-clear with optimized step"),FAIL 末版全是从零异型(Rave scanner / vamp+bomber+imp / TriFork / 8-way bomber),snake 全线 0-12%。
-5. **但 A 的量化断言被证伪**:"对手互打 pmars PASS=11-17 vs FAIL 0-5"不稳健——统一口径重数,FAIL 的 win-ctl=31 次、full-1258.5=17 次互打照样押错家族。互打测绘≠成败判别器,**末版 archetype 才是**。故 prompt 面"先测绘"杠杆降级为中低置信。
-
-## 一、双边历史分布(复核官逐 run 亲数,reward=verifier_result.rewards.reward)
-
-| run | reward | 备注 |
-|---|---|---|
-| cc-pro-full__rbV3AY4 | **1** | CC,108步,300轮终验 |
-| cc-pro-r3-full__e6mrr3F | **1** | CC,66步 |
-| full-pro-1239-os__DkwbmZN | **1** | G2-Clear-inspired |
-| full-pro-1244-fb__rNKndXY | **1** | G2-Clear+backup imp |
-| full-pro-1249-fb__YJncsZQ | 0 | 8-way stone bomber(能力挂) |
-| full-pro-1249-nocap__MXc6qdE | **1** | G2-Clear style(A 漏数) |
-| full-pro-1257-fb__6zqLwU4 | 0 | limit.timeout 墙钟软切 |
-| full-pro-12582-fb__4FkFZfy | — | INFRA:exception.txt SIGTERM,不计分 |
-| full-1258.5-fb__SHyuD4j | 0 | TriFork vampire(能力挂) |
-| a1-ccdiff-1258-fb__3XipN9h | **1** | |
-| a1-ccdiff-1258-fb__c4DHKeR | 0 | limit.timeout |
-| a1-ccdiff-1258-fb__FL6qAFs | **1** | |
-| a1-ccdiff-1258-fb__sPxMzrJ | 0 | **output.degenerate 假阳性**(paper replicator 重复行) |
-| a1-ccdiff-1258-fb__ZktvrmB | **1** | |
-| m1-cert-12586-fb__5TQLDeq | 0 | 假完成(亲见 3/5 未达标仍 completed) |
-| m2-cert-1259-fb__BAXa59C | 0 | **output.degenerate 假阳性**(boot 代码重复行),warrior 未写出 |
-| siege-a-1259-fb__FVRij5v | 0 | snake 单门挂 |
-| siege-a-1259-fb__Hq9dGU7 | 0 | limit.max_turns@120 |
-| siege-a-1259-fb__vD753rv | **1** | EnhancedClear=G2-inspired |
-| win-ctl-1259-fb__GkHGaR4 | 0 | limit.max_turns@120(墙钟还剩21分) |
-| win-300k-1259-fb__44GE2iS | — | verifier 目录空=未完成,不计分 |
-| 旁证:codewhale__FRaDzYa=1 / flash__YS77AjQ=0 / ohmypi__5B2zxqi=0 | | 非 v4-pro 主对照 |
-
-**sema v4-pro:7/17=41.2%;CC:2/2。两票计数勘误:A=6/10(漏 nocap PASS)、B=7/9(FAIL 少数 1)→ 正确=7/10。**
-
-## 二、两票摘要与复核裁决
-
-| 争点 | 视角A | 视角B | 复核裁决 |
-|---|---|---|---|
-| output.degenerate 真因 | provider 错误重试被误分类为退化 | deepseek 退化特性 × 我方 stop-token/流处理交互 | **均不准确**。现场取回三个 error 窗口的 delta 流:模型在流畅写 redcode,重复行=合法内容,`repetition.ts` 规则2 假阳性切流(见〇-3)。两票方向(引擎面高置信杠杆)对,机制错 |
-| CC 制胜机制 | 元测绘→锁定 g2-clear 改造(元层捷径) | 无 120 turn 顶+迭代验证纪律,活着搜到强 archetype | **B 为主、A 为辅**。CC r3 步11 先押 imp 混合、步62 才回归 G2(非一枪命中);互打计数不判别成败(win-ctl 31 次互打照样失败)。但"复用 g2-clear 资产"作为最终收敛点=事实(两 CC PASS 末版均 clear 家族) |
-| 假完成(m1) | oracle 接地缺失,4/10 FAIL | finalize 收下自认 3/5 交卷 | **双票一致,坐实**:sema.txt 行7335 亲见"3 of 5 thresholds met"仍行7323 宣告"Final Verification Summary... present on disk",verifier 分数与自测逐字同(63/73/81/12/44)=无 flip、验收面无陷阱(B 对) |
-| max_turns=120 | 次级杠杆,方向已错提顶未必翻盘 | 高置信杠杆:turn 顶先于墙钟 21 分钟绑定 | **B 的事实+A 的保留都对**:GkHGaR4 t=2332.8s(60min 预算)turns=120 死于 sed IVAL 扫描中途,盘上=任意扫描点(自测最优 stone 72 vs verifier 56);但该 run snake=8,方向错,提顶≠翻盘,**best-artifact 落盘才是真损失点** |
-
-## 三、复核官现场取证(抽验坐标)
-
-- **m2__BAXa59C**:events.jsonl 三个 brain.call stopReason=error(tMs=71313/98738/143020,latency 63s/26s/43s,usageMissing)+ loop.recovery reason=degenerate_output_recovery ×2 + task.end errorCode=output.degenerate turns=5;**三个窗口 delta 流尾部**分别为 `mov <src, <dst` ×6、`mov <sptr, {sptr` ×8、`mov <bootsrc, {bootdst` ×7(逐字重复的合法 boot 代码);verifier "my_warrior.red file not found"
-- **a1__sPxMzrJ**:同款签名,末窗口尾=paper replicator `mov <psrc, <pdst` ×6+,task.end output.degenerate turns=22
-- **win-ctl__GkHGaR4**:task.end limit.max_turns turns=120 durationMs=2332810;sema.txt 行6123"OFFSET=168: 72% against stone"、行6159"even with the best OFFSET, the scanner only reaches 72%";verifier stone 56/vampire 98/paper 75/snake 8/g2 77(stone+snake 双挂)
-- **m1__5TQLDeq**:sema.txt 行7330-7335 自测表(Stone 63❌ Snake 12❌ Vampire 73❌)→行7323-7324 宣告 completed(mech=finalize+nudges:1);verifier 63/73/81/12/44 逐字同
-- **CC r3__e6mrr3F**:trajectory 66 步;步9=对手互打矩阵表、步11="clear picture of the meta"(先押 imp 混合)、步62=回归测 G2-Clear 变体;reward=1
-- **CC r1__rbV3AY4**:108 步;步23=paper 对各家战绩分析、步103="ALL REQUIREMENTS MET! Final 300-round results"全表过线;reward=1
-- **archetype 抽验**:MXc6qdE/DkwbmZN/vD753rv/rNKndXY 末版 strategy 行全=G2/clear 家族;5TQLDeq/GkHGaR4/SHyuD4j/YJncsZQ 全=异型
-- **引擎源**:`src/brain/repetition.ts:21-57`(MIN_REPS=6/MIN_COVER=120/规则2 精确匹配短单元重复;头注释"normal code won't false-positive"被本题证伪)、`src/core/runner/runtask.ts:2240`(detect=errorMessage===DEGENERATE_MESSAGE)
-
-## 四、合议判决
-
-- **归因类别:混合**(引擎机制缺口为主 + 高方差题底色 + 少量真能力挂)。
-- **CC 制胜机制**:①无流切退化检测器(写重复结构代码不死)②无 120 turn 硬顶,搜索循环自然跑完 ③收尾大样本(300 轮)全门槛复验纪律 ④最终收敛到题目自带的最强资产(g2-clear)做基底微调。CC 不是更聪明的一枪,是"活着搜完+验完才交"。
-- **我方失败机制**(10 FAIL 分解):退化检测器假阳性整任务死 ×2、max_turns=120 提前掐死+任意中间态落盘 ×2、墙钟软切 ×2、假完成/oracle 缺失合并真能力挂(弱 archetype+自知未达标交卷)×4。
-
-## 五、候选杠杆(按置信度)
-
-1. **[引擎/高置信/新发现] repetition 假阳性修**:`looksDegenerate` 规则2 需对合法重复内容免疫——最小修=检测命中时若尾部处于 code fence 内或重复单元是语法上像代码行(含缩进+操作数结构),提高 MIN_REPS/MIN_COVER 阈值或跳过;更稳=degenerate 三振改为"finalize 抢救(把当前最好成果落盘)"而非硬 abort。直接救 2/10 FAIL(其一连文件都没写出)。**同类横扫**:ASCII art、SQL fixture、重复测试用例等场景同样会触发([[feedback-sweep-the-class-not-instance]])。
-2. **[引擎/高置信/在飞] oracle 接地/finalize 闸**:agent 亲见自测 3/5 未达标仍宣告 completed(m1 案)——正在飞的 oracle 接地闸(grounding-signal+finalize 护栏,1.260.0)正对此症。**本题=优质 A/B 验收题**(自测数与 verifier 数逐字同、无验收面噪声)。
-3. **[引擎/中置信] max_turns 与墙钟对齐 + best-artifact 落盘纪律**:120 turn 顶在墙钟前 21 分钟先绑定;更关键的是被掐断时盘上=任意扫描中间态(72→56 落差)。finalize 应含"恢复已知最优配置再结束"。提顶单独不保翻盘(被砍两 run 方向已错)。
-4. **[prompt/中低置信] 资产复用倾向**:PASS/FAIL 的完美判别器是末版 archetype 而非测绘行为;"评估题目自带资产作为基底候选"的通用引导可能有增益,但 CC n=2 + 互打计数被证伪,不足以断言脚手架因果,标观察项。
-
-## 六、诚实边界
-
-- 本题底色=高方差搜索题(verifier 重跑 100 局随机布阵,门槛 75/75/75/33/33),**即便杠杆全修也不保单发必过**;期望=把 41% 抬向 CC 档,而 CC 的 100% 本身是 n=2 小样本。
-- 杠杆①②的增益须 N≥5 双版本 A/B 坐实(本题+负样本),不能当确定性修复。
-- 互打 pmars 计数口径粗(grep 命令行,含 reasoning 内重复),两位挖掘者与复核官三套口径互不精确可比;但"计数不判别成败"的证伪结论在任何口径下成立(win-ctl 31 次 vs A 声称 FAIL≤5)。
-- CC 侧无 fails 套件样本,cc-pro-r2 不含此题(find 全量枚举坐实仅 2 个 CC 目录)。
-
-## 七、落码与 backlog(2026-07-10 追加)
-
-- **✅ 杠杆① 已落码(fix(repetition),devendor,进下一班车非 1.260.0)**:`looksDegenerate` 双向豁免——规则1 符号/空白 run(ASCII 分隔线)阈值升 200(字母/数字/CJK 保持 60);规则2 code-line-shaped 单元(整行重复+≥2 结构字符或缩进)豁免,但**饱和 backstop**保真退化(reps≥16 且填满整个 400 字符检测窗仍逮);p=1/全同字符单元划归规则1 管辖(堵符号 run 经 p≥2 倍周期回流规则2)。双向对抗测试:4 假阳性场景(redcode boot/SQL fixture/缩进代码/ASCII 分隔线)修前红→修后绿(反事实验证),3 真阳性锁(窗口饱和代码循环/250 符号 run/带逗号散文循环)+全部既有真阳性不回归。
-- **🗂 backlog:三振→finalize 抢救**:`src/engine/loop/agent-loop.ts:723-748` degenerate 恢复 cap(maxContinues=2)满后落 error 终端(assemble→output.degenerate+salvage),整任务死。改"cap 满改走 finalize 抢救(把当前最好成果落盘再结束)"需 run-loop 错误终端分流进 finalize 机制=状态机改动,本批不硬做。假阳性修后此路径触发率应大降,待 A/B 数据决定是否还值得。
-- **🗂 backlog:max_turns 与墙钟对齐 + best-artifact 落盘**(杠杆③,中置信):120 turn 顶先于墙钟 21 分钟绑定;被掐断时盘上=任意扫描中间态(自测最优 72→verifier 56)。finalize 应含"恢复已知最优配置再结束"。提顶单独不保翻盘(被砍两 run 方向已错),等 oracle 闸 A/B 与假阳性修的增量数据再定优先级。
-
-## 证据坐标(全部经复核官现场验证)
-
-- 分布:24 目录 find 全量枚举 + 逐 run result.json `verifier_result.rewards.reward`(见第一节表)
-- 退化假阳性:`m2-cert-1259-fb/full89/winning-avg-corewars__BAXa59C/agent/events.jsonl`(3×brain.call stopReason=error + 窗口 delta 流尾=重复 redcode 行 + task.end output.degenerate)、`a1-ccdiff-1258-fb/long/winning-avg-corewars__sPxMzrJ` 同款;`src/brain/repetition.ts:47-57`
-- 假完成:`m1-cert-12586-fb/full89/winning-avg-corewars__5TQLDeq/agent/sema.txt` 行7323-7335 + verifier vs 行
-- turn 顶:`win-ctl-1259-fb/full89/winning-avg-corewars__GkHGaR4/agent/sema.txt` 行6123/6159/6170+[done] 行 + verifier vs 行
-- CC:`cc-pro-full/winning-avg-corewars__rbV3AY4/agent/trajectory.json` 步23/103;`cc-pro-r3-full/winning-avg-corewars__e6mrr3F` 步9/11/62
-- archetype:各 run agent/sema.txt(或 claude-code.txt)`;strategy` 尾行
-- infra:`full-pro-12582-fb/winning-avg-corewars__4FkFZfy/exception.txt`;`win-300k-1259-fb/.../44GE2iS/verifier/`=空

package/docs/DEEPSEEK-API-LIMITS-PROBE-2026-07-09.md

@@ -1,118 +0,0 @@
-# DeepSeek v4-pro API 真实硬上限实探(2026-07-09)
-
-> 目的:公平性审计里「max_tokens 8192 vs ~32000」「context 64k vs 200k 级」是**端侧硬帽**还是**我们自缚**?
-> 方法:海外机 `ubuntu@91.199.82.197` 上直接 curl/python 打 `api.deepseek.com`,两方言各探。
-> 模型:`deepseek-v4-pro`(sema/ohmypi/codewhale 三腿实际用的 model 名,核对自 `tb/harbor_adapter/*.py`)。
-> 密钥:`DEEPSEEK_API_KEY`,仅在远端机使用,未落任何回复/文件。
-> 成本:所有请求 prompt 短小或 max_tokens 探测即停;总花费几万 token 级。
-
----
-
-## 1. OpenAI 方言(`/chat/completions`)
-
-### 1a. max_tokens 上限
-请求参数:`model=deepseek-v4-pro`, 极短 prompt(数数),max_tokens 逐档。
-
-| max_tokens 请求值 | 结果 |
-|---|---|
-| 8192 | HTTP 200 |
-| 16384 | HTTP 200 |
-| 32768 | HTTP 200 |
-| 65536 | HTTP 200 |
-| 131072 | HTTP 200 |
-| 200000 | HTTP 200 |
-| 500000 | **HTTP 400** `Invalid max_tokens value, the valid range of max_tokens is [1, 393216]` |
-| 1000000 | HTTP 400(同上) |
-
-**端侧硬帽 = 393216(384k)**,错误信息逐字泄露了 valid range。
-
-**真实截断验证**(强制超长输出、关思考让预算全给正文):
-| max_tokens | finish_reason | completion_tokens |
-|---|---|---|
-| 8192 | `length` | 8192(被我们的 cap 截断) |
-| 20000 | `length` | **20000**(输出真的超过 8192) |
-
-→ 8192 **不是端侧硬帽**:端点欣然生成了 20000 output token。8192 是我们自缚。
-
-### 1b. 真实 context window
-Needle-in-haystack(密码埋在超长 filler 里,两端各测,要求原样召回):
-
-| prompt_tokens | needle@start | needle@end |
-|---|---|---|
-| 99026 | 召回 ZQ7714 ✅ | 召回 ✅ |
-| 129026 | ✅ | ✅ |
-| 199025 | ✅ | ✅ |
-
-纯尺寸探边界:
-| prompt_tokens | 结果 |
-|---|---|
-| 399005 | HTTP 200 |
-| 699005 | HTTP 200 |
-| 1099024 | **HTTP 400** `This model's maximum context length is 1048565 tokens` |
-
-**端侧真窗 ≈ 1,048,565 token(~1M)**,错误信息逐字泄露。且 199k 处 needle 双端召回成功,证明是真读全上下文,非静默截断。
-
-→ 64k **不是端侧真窗**,是我们保守设置。真窗 ~1M,比我们设置大一个数量级以上。
-
-### 1c. reasoning 字段与推理控制
-- 默认响应含 `reasoning_content` 且 `completion_tokens_details.reasoning_tokens>0` → **推理默认开**。
-- `reasoning_effort` 参数**被接受**;400 错误泄露了合法枚举:`high, low, medium, max, xhigh`(试 `minimal` → 400 unknown variant)。
-- `thinking:{type:"disabled"}`(即便在 OA 方言里)**被接受(200)且真关推理**:reasoning_tokens=None、has_reasoning_content=False。
-
-→ OA 方言可控面丰富:`reasoning_effort`(5 档)+ `thinking` 开关都吃。
-
----
-
-## 2. Anthropic 方言(`/anthropic/v1/messages`)
-
-请求头:`x-api-key` + `anthropic-version: 2023-06-01`。
-
-### max_tokens 上限
-| max_tokens | 结果 |
-|---|---|
-| 8192 | HTTP 200 |
-| 16384 | HTTP 200 |
-| **32000(CC 用值)** | **HTTP 200** stop=end_turn |
-| 32768 | HTTP 200 |
-| 65536 | HTTP 200 |
-| 131072 | HTTP 200 |
-| 393216 | HTTP 200 |
-| 393217 | HTTP 200 |
-| 500000 | HTTP 200 |
-
-Anthropic 代理**未强制** OA 侧那个 393216 硬帽(500000 也 200 —— 要么接受要么静默 clamp,总之不 400)。**CC 的 32000 被真实接受**,远在任何上限之下。
-
-### thinking 参数
-| 请求 | 结果 |
-|---|---|
-| 无 thinking 参数(默认) | 200,content_types=['thinking','text'] → **默认开思考** |
-| `thinking:{type:"enabled",budget_tokens:2000}` | **200**,返回 thinking 块 |
-| `thinking:{type:"disabled"}` | **200**,content_types=['text'] → 思考被关掉 |
-
-→ Anthropic 方言的 extended-thinking 形态被完整接受(enabled/budget/disabled 都吃)。**不是 400**。
-
----
-
-## 3. 官方规格交叉
-错误信息即端侧权威规格泄露,无需另查文档:
-- max_tokens 硬帽(OA 方言):**[1, 393216]**
-- context 硬帽:**1,048,565 token(~1M)**
-
----
-
-## 判定结论
-
-### ① max_tokens:8192 是我们自缚,非端侧硬帽
-- 端侧真上限:OA 方言 393216;Anthropic 方言更宽松(≥500k 不拒)。
-- 实测端点在 max_tokens=20000 时真生成了 20000 output token(finish=length),8192 只是我们的 cap 在截断。
-- **CC 的 32000 在 Anthropic 方言真被接受(HTTP 200,stop=end_turn),非被 clamp。** 我们把 sema 腿卡在 8192 = 单方面缩小了输出预算,公平性上对我们不利。
-
-### ② context:64k 是我们保守设置,非端侧真窗
-- 端侧真窗 ~1,048,565 token(~1M),错误信息逐字确认。
-- 199k prompt 处 needle 双端召回成功,证明真读全上下文而非静默截断。
-- 我们的 64k 设置比端侧真窗小约 16 倍。审计里「200k 级 vs 64k」两边其实都低于端侧 ~1M 真窗;差距完全是配置差,不是端侧能力差。
-
-### ③ thinking/推理:两方言都吃服务端 + 都可控,「都吃服务端默认」成立但可被覆盖
-- 两方言默认都开推理(OA 有 reasoning_content;ANT 有 thinking 块)。
-- 两方言都提供显式覆盖:OA 侧 `reasoning_effort`(high/low/medium/max/xhigh 五档)+ `thinking` 开关;ANT 侧 `thinking:{enabled,budget_tokens}` / `{disabled}`。
-- 「双方都吃服务端默认」成立(不显式传参时行为一致、都开思考);但这是可控的,不是不可控硬约束。若要 parity 可两边同样传参对齐。

package/docs/DESIGN-140-MOCK-VERIFY-2026-07-11.md

@@ -1,79 +0,0 @@
-# design/140 三件 · 第三方独立验证(mock brain 真跑,2026-07-11)
-
-- **验证官**:独立第三方(非落码者)。**被验对象**:devendor HEAD `28a5453`(feat(140) 一期三件:1a defaultArgs 合并链 / 1b whenToUse 消费投影 / 1c 内置 team-discussion+开关)。
-- **方法纪律**:不复跑落码者的测试文件、不用其 fake(recordingRunner / capturingRunner / `tool.execute` 直调)。自写消费者视角 harness 于 scratchpad(`d140-verify/harness.mts`、`live.mts`、`edge-barestring.mts`),走**真链路**:真 `Runner` + `prepareTask` auto-mount(`selfOrchestration:true` + hard sandbox 门)→ 真 Workflow 工具 → 真 dev-vm 脚本执行(re-badge `safeForUntrustedScripts:true`,仓内测试先例)→ 内置脚本的 `agent()` 真回到 `runner.runTask` 派子任务(与 host 共享同一 scripted mock brain,按内容路由角色)→ 真 notifier / InMemoryWorkflowRunStore 收口。harness 断言 26 项 + live 1 发,**全 PASS**。
-- **结论先行**:三件(1a/1b/1c)在消费者真链路下全部成立;发现 **1 个真类型错(测试文件内,F1)** 与 2 个观察项(O1/O2),只报坐标不修。
-
-## 0. 健康门
-
-| 项 | 做法 | 观测 | 判定 |
-|---|---|---|---|
-| 全量 typecheck | `npx tsc --noEmit`(仓根 tsconfig) | exit 0,零输出 | PASS(但见 F1 的覆盖面警示) |
-| 落码者自报绿 | `npx vitest run test/design140-workflow-profiles.test.ts` | **26/26 passed**(334ms) | PASS,自报属实 |
-| 指定 diagnostics 复核 | 对该测试文件单独跑 tsc(同仓 compilerOptions) | `test/design140-workflow-profiles.test.ts(36,46): error TS2353: Object literal may only specify known properties, and 'default' does not exist in type 'ToolPolicy'.` | **真错**,见 F1 |
-
-**F1(真类型错,测试文件,不阻塞 runtime)**:`test/design140-workflow-profiles.test.ts:36` 写 `const denyPolicy: TaskSpec["toolPolicy"] = { default: "deny" }`,而 `ToolPolicy`(src/core/tool-policy.ts:81)只有 `check(req, signal)` 方法,无 `default` 属性 → TS2353。**为什么三道门都没拦住**:①仓根 `tsconfig.json` 的 `include` 只有 `src/**/*.ts`,`npm run typecheck` 根本不覆盖 `test/`;②vitest 走 esbuild 转译不做类型检查;③测试运行期该 policy 从未被真正 `check()`(子 agent 走 fake runner),所以 26/26 照绿。IDE diagnostics 报的就是这个,**不是陈旧诊断**。语义上作者显然想要 deny-all policy,写成了不存在的对象形态——运行期等价于"无效但未被消费的对象"。坐标:`test/design140-workflow-profiles.test.ts:36:46`。修法(供落码者):`{ check: () => ({ action: "deny", reason: "test" }) }`;顺带提示 `test/` 不在任何 tsc 门内是个复发面。
-
-## 1. 场景1 — 零配置路径(1c 主面)
-
-**做法**:不注册任何 store、不给结构化 args,host mock brain 第一轮发 `Workflow({name:"team-discussion", args:"讨论:引擎是否应默认开启并行工具执行"})`(裸字符串),第二轮调 wait 工具压住 host 直到 notifier 触发。成员/综合官子任务由同一 brain 按内容路由:成员回 `CONTRIB[role-rN]` 标记文本,综合官(检测到 `StructuredOutput` 工具在场)提交 schema 化 verdict。
-
-**观测**(9/9 PASS):
-- host `completed`;notifier `completed`,summary=`workflow "team-discussion" completed in 0s — agents 5/5 done`。
-- **轮次真发生**:成员调用序列恰为 `[advocate-r1, skeptic-r1, advocate-r2, skeptic-r2]`(默认 2 成员×2 轮,顺序轮转);r1 首发 objective 含 `(none yet - you open the discussion)`;**r2 两个 objective 都真含 r1 两条贡献原文**(转录重喂坐实)。
-- **综合官真调**:恰 1 次,objective 含全部 4 条贡献;其 structuredOutput 原样落到结果 `verdict`。
-- **结果形状**:`{topic, rounds:2, members:["advocate","skeptic"], transcript(4条), verdict{decision,keyPoints}}`;裸字符串确实成为 topic。
-- run store:`status=completed`,`agents=5` 全 completed,**`effectiveArgs === 裸字符串`**(1a 的 parse-time 快照对裸字符串路径也成立)。
-- 工具卡(模型视角 ctx.tools 实拍)含 `- team-discussion: Use for a genuinely contested question…`(1b 投影零注册也在,含负向边界文案)。
-
-**判定:PASS**。
-
-## 2. 场景2 — defaultArgs 合并链实测(1a)
-
-**做法**:`createFileWorkflowScriptStore` 注册 `panel.js`(即 TEAM_DISCUSSION_SCRIPT)+ 兄弟文件 `panel.args.json` = `{rounds:1, members:[{role:"engine-architect",…},{role:"cost-auditor",…}]}`;两次真跑。
-
-**观测**(7/7 PASS):
-- **2a 调用只给 topic** → 成员=[engine-architect-r1, cost-auditor-r1](注册层生效,rounds=1 也来自注册层);子 agent prompt 里实拍出现 `You are "engine-architect"` 与注册的 prompt 原文;`run.effectiveArgs` = 合并值(topic 调用层 + members/rounds 注册层)。
-- **2b 调用显式给 members=[solo-critic]** → 成员=[solo-critic-r1],注册的 2 人整体消失(数组 wholesale 覆盖),rounds 仍取注册层 1;`effectiveArgs.members` 长度 1。
-
-**判定:PASS**——调用层 > 注册层 > 脚本兜底三级链在真链路成立,且快照进 run 可观测。
-
-## 3. 场景3 — SHADOW + `builtinWorkflows:false` 双面(1c/1b)
-
-**做法**:(a) file store 注册同名 `team-discussion.js`(可辨识 override 脚本,`return {marker:"DEPLOYED-OVERRIDE-RAN"}`)+ 部署侧同步 `list()`;(b) 关开关、零注册,同名调用。
-
-**观测**(5/5 PASS):
-- **(a) 两面一致**:卡片行=`- team-discussion: USE-DEPLOYED-VERSION for everything` 且内置文案(genuinely contested question)消失(按名 overlay,一行不双列);resolve 真执行部署脚本(结果 marker 命中、内置 5-agent 讨论零派发)、run.description=部署版。
-- **(b) 双面消失**:卡片无 `Named workflows available` 区块;`{name:"team-discussion"}` 调用收结构化错误 `named workflows require a deployment workflow script store — none is wired (and built-in workflows are disabled)…`,notifier 零触发。
-- 注:file store 本身不带 `list()`(方向正确——目录混放 per-run 持久化脚本,枚举会把历史 run 全当 named workflow 广告),卡片 overlay 要部署侧自供同步 list;seam 注释已如实写明,验证按此消费。
-
-**判定:PASS**。
-
-## 4. 场景4 — 预算截断实测(1c 预算行)
-
-**做法**:`workflowLimits.budget=20`(mock 每子任务 15 tokens),调用请求 `rounds:5`(期望满打 10 member 发 + 1 综合官)。
-
-**观测**(5/5 PASS):
-- 实际 member 派发 **1**(advocate r1 后 spend=15,skeptic 触发引擎 `workflow.budget_exceeded` 被脚本捕获)→ `truncated="budget exhausted at skeptic, round 1"`(确定性截断,轮数被砍);综合官同样越轴被捕获,`verdict=null`。
-- **优雅返回非裸 throw**:notifier `status=completed`,结果带 1 条转录 + truncated 标记;run store `status=completed`。引擎 budget 硬顶(backstop)与脚本内早停/捕获(优雅面)分工与设计一致。
-
-**判定:PASS**。
-
-## 5. 场景5 — live 加分项(Qwen3.5-35B 网关,全真)
-
-**做法**:`createOpenAIBrain()` + 网关 `172.30.228.10:8000`,host/4 成员/综合官全真模型;host objective 明确 opt-in 并指令用内置 name 调用,零配置 args。
-
-**观测**:**LIVE-PASS**。host 27s 完成;workflow **23s、agents 5/5 done**;transcript 4 条,轮次/综合官全真发生。round-1 advocate 输出质量高(结构化论证:延迟收益、独立性论据、opt-in 摩擦、带 max_concurrent/依赖感知调度/降级策略的具体提案)——1c 样板在真模型下产出真讨论,非空转。
-- **O2(live 逮到的 ergonomics 观察,非本批回归)**:真模型把 args 传成了**字符串化 JSON**(`args:'{"topic": "应该把…"}'`),工具 `args: Type.Unknown()` 不做归一化,裸字符串语义使 `topic` 原样成为该 JSON blob 字符串。讨论仍正常进行(成员把它当题面复述),但题面带包裹噪音。工具卡对 args 只说 "a JSON value";script 面有 stripCodeFences 归一,args 面没有对应的 JSON-string 归一。属 LLM 常见习惯面,建议记 backlog(坐标:`src/orchestration/run-workflow-tool.ts:399` args 参数定义 + `builtin-workflows.ts` 裸字符串分支),不定性为 bug。
-
-## 6. 发现汇总(带坐标,均不修)
-
-| # | 级别 | 坐标 | 内容 |
-|---|---|---|---|
-| F1 | MED(测试卫生/门覆盖) | `test/design140-workflow-profiles.test.ts:36:46` | 真 TS2353:`{default:"deny"}` 不是 `ToolPolicy`(应为 `{check(){…}}`)。根因链:tsconfig `include` 不含 `test/` + vitest 不查类型 → `npm run typecheck` 绿是假覆盖。建议落码者修该行,并考虑给 test/ 加类型门 |
-| O1 | LOW(语义足枪,锁定行为非 bug) | `src/orchestration/workflow-script-store.ts:77`(mergeWorkflowArgs)+ 卡片措辞 `run-workflow-tool.ts:188` | 实测确认:注册了 defaultArgs 的 named workflow 用**裸字符串 args** 调用 → 注册默认**整体丢弃**(non-object wholesale 语义)。对 team-discussion 这种"裸字符串=topic"的人机工学脚本,注册层默认成员/轮数会被一个裸 topic 静默清空;卡片只说 "a top-level key you pass wins wholesale",没提非对象 args 全丢的面 |
-| O2 | LOW(live ergonomics) | `run-workflow-tool.ts:399` / `builtin-workflows.ts:43-50` | 见场景5:真模型传 JSON-string args 未归一,topic 吃进 blob 原文 |
-
-## 7. 判决
-
-design/140 一期三件 **VERIFIED**(第三方真链路 26 断言 + live 1 发全绿):零配置内置 workflow 真跑通、合并链三级语义与 effectiveArgs 快照成立、SHADOW/开关卡片-执行两面一致、预算确定性截断优雅返回、live 真模型输出质量达标。F1 是测试文件真类型错(附门覆盖缺口),O1/O2 记 backlog 候选。

package/docs/DESIGN-140-VERIFICATION-2026-07-11.md

@@ -1,43 +0,0 @@
-# design/140 真实性实证:「collab=workflow profile 零新机制」逐条对码验证(2026-07-11)
-
-> 方法:不信设计文档,信跑出来的结果。两条链:①mock 链(真 tool+真 store+真 vm 脚本执行+recording runner,全链除 LLM)②live 链(同链换真 Runner+本地 Qwen 网关,2 成员×2 轮 team-discussion 真跑)。实验脚本在 session scratchpad(不入仓);全部运行输出摘录于此,坐标=file:line@HEAD(c6b109c)。
-
-## 终判决(一句话)
-
-**回合制协作本体(name 解析→args→轮次循环→跨轮重喂→综合→预算硬顶)今天真的零新机制,live 8.2s/10.5K tokens 跑通且第二轮真回应第一轮**;但 design/140 §4 的「配置=注册表数据」有 **3 个真开发项**:center 默认 args 层、whenToUse 的 LLM 列表投影、builtinWorkflows 样板+开关——都是 S 量级,但不是「纯 profile 打包活」,是要落码的。
-
-## 表 1:今天就能(带证据)
-
-| # | 能力 | 代码证据 | 运行证据(mock 链,除注明 live) |
-|---|---|---|---|
-| 1 | 命名 workflow 注册+`Workflow({name})` 解析 | store seam `resolveName` src/orchestration/workflow-script-store.ts:25,59-64;tool 三态解析(scriptPath>script>name)src/orchestration/run-workflow-tool.ts:359-379 | `persist("team-discussion", script)` 后 `{name:"team-discussion"}` 调用 → `status:started`,agents 真跑;未知 name → 结构化错误 `unknown workflow name: "no-such-wf"`(:375) |
-| 2 | 调用时 args 传入+覆盖脚本内置默认(两层合并) | args 直通 run-workflow-tool.ts:353→421;脚本内 `Object.assign({}, defaults, args\|\|{})` | 带 args:`cfgUsed:{topic:"TEST-TOPIC-ARGS",rounds:1,memberRoles:["alpha","beta"]}`;不带 args:脚本收 `args===undefined`,内置默认(2 成员×2 轮)生效,5 agents 跑齐 |
-| 3 | 回合制 2 成员×2 轮+综合官全流程 | 纯脚本内容:for 轮次循环+transcript 重喂进 objective+finalizer agent | **live**:5/5 agents completed,轮 2 objective 携带轮 1 全文(recording runner 逐字核过);见下 B 面记录 |
-| 4 | 在飞成员注入 `steer()`(fenced+trusted 契约) | WorkflowAgentHandle.steer src/orchestration/workflow.ts:495-510(接口)/1470-1480(实现:delimitUntrusted 单次包裹+trusted:true 框架+marker 回执);既有测试 test/workflow-caps.test.ts:169-212 | 脚本级真调(startWorkflow+ctx.agentStream):marker `steer-1` 返回;steer 文本含 `"[steer-1]"` 标记、内容被 `<<<UNTRUSTED…>>>` 围栏、注入的 `</system-reminder>` 伪造闭合标签被消毒(零宽符拆解) |
-| 5 | 治理边界:脚本传 control-plane 字段被结构性剥除 | WHITELIST_KEYS(8 个 work 字段,无 sessionId/toolPolicy/principal)src/orchestration/workflow-governance.ts:58-67;complete-by-construction :205-220 | 脚本 `agent({sessionId:"victim-session", toolPolicy:{default:"allow"}, principal:"root"})` → child spec 实测 `sessionId=undefined, toolPolicy={"default":"deny"}(baseline), principal=tenant-A(baseline)` |
-| 6 | `meta.whenToUse` 可声明可解析 | parseWorkflowMeta src/orchestration/workflow-meta.ts:313-315;WorkflowMeta 类型 workflow-script-runner.ts:80 | team-discussion 脚本带 whenToUse(含负向边界)→ parse 后 `present in WorkflowMeta`(但见表 2 #2:无消费面) |
-| 7 | scriptPath 落盘迭代面+越界拒读 | persist/load+containment workflow-script-store.ts:41-57;tool 返回 scriptPath run-workflow-tool.ts:462-471,602 | 每次调用返回 `scriptPath: persisted`;(containment 已有测试 test/workflow-parity-ml-batch.test.ts:170-179) |
-| 8 | 预算/硬顶(budget/maxAgents/totalTimeoutMs/per-child clamp) | WorkflowLimits run-workflow-tool.ts:78-99;clampResourceLimits workflow-governance.ts:177-190 | live 链传 `limits:{totalTimeoutMs:900_000, perAgentTimeoutSec:240}` 正常;(细粒度行为由既有 workflow-caps.test.ts 覆盖,本次未重测) |
-
-## 表 2:真开发项(带缺口证据+量级)
-
-| # | 缺口 | 证据(为什么今天不行) | 量级 |
-|---|---|---|---|
-| 1 | **注册表默认 args 层不存在**(design §4 合并链「调用时>center 配置默认>内置默认」的中间层缺位) | ①`WorkflowScriptStore` 接口只有 `persist/load/resolveName`,`resolveName(name)→string`(纯脚本文本,无 metadata/args 通道)workflow-script-store.ts:16-26;②tool 内 args 零合并:`const scriptArgs = rawArgs.args` 直通 run-workflow-tool.ts:353→421;③全仓 grep `defaultArgs\|default_args` = 0 命中。实测:`{name}` 不带 args → 脚本收 `undefined`,没有任何注册表层注入。**变通**=把默认烤进脚本文本(单源但改默认=改脚本源;center 下发默认无落点) | **S**(store 接口扩 `resolveName→{script, defaultArgs?}`+tool 内深合并+测试);若含 default/locked 治理标注(tighten-only KeyContract)则 **M** |
-| 2 | **whenToUse 的 LLM 可见列表面不存在** | `meta.whenToUse` 只 parse 进 WorkflowMeta,全仓零消费者(grep `.whenToUse` 在 orchestration/ 只有 parse 三行);store 无 `list()` 方法(接口三方法而已);Workflow 工具卡(run-workflow-tool.ts:242-314)不含已注册 workflow 清单。**agents 侧有现成先例可照抄**:`agentWhenToUseText`(src/agents/subagent.ts:898)+ CC `tIl` 行状(src/core/runner/turn-attachments.ts:700) | **S~M**(store 加 list seam+工具卡/attachment 投影+lean 变体) |
-| 3 | **builtinWorkflows 内置样板+退出开关不存在**(design §6-1 本体) | grep `builtinWorkflows` = 0 命中;`builtinAgents` 先例在(src/agents/builtin-agents.ts,GA default-on+opt-out)可照抄 | **S**(team-discussion 脚本资产+挂载/开关+whenToUse 负向边界文案) |
-| 4 | (边界确认,v1 **无需开发**)脚本内无 SendMessage/无跨轮私有 session | isolate 原语面实测(vm 内 typeof 探测):`agent/parallel/pipeline/phase/log/budget` = function/object,**`agentStream/steer/SendMessage/sendMessage/workflow/ctx` 全 = undefined**;whitelist 无 sessionId(表 1 #5);buildWorkflowPrimitives 注释明示 "the SCRIPT never receives the handle"(src/orchestration/workflow-primitives.ts:88-96)。SendMessage=主 agent harness 工具(subagent.ts),workflow 脚本层结构性不可达 | v1 零影响(agent() 重喂 live 已证够用);真要脚本级 continuation=路线二(design §2 已 DEFER),**L** |
-
-## B 面 live 运行记录
-
-- 链路:`createRunWorkflowTool`(name 解析经 file store)→ dev vm 脚本执行 → `Runner({brain: createOpenAIBrain()})` → 本地网关 `172.30.228.10:8000/v1` Qwen3.5-35B(key 走 env,未回显)。治理:baseline.base 携带 model+`toolPolicy:{default:"deny"}`(纯讨论零工具)。
-- 结果:runId `2d471f90-…`,**status completed,墙钟 8.2s,tokens 10,500(5 turns)**;agents 5/5 全绿:optimist-r1 1672tok | skeptic-r1 1885tok | optimist-r2 2058tok | skeptic-r2 2226tok | finalizer 2659tok。
-- ①流程:轮次→综合全跑完,phases(round-1/round-2/synthesis)按 meta 预注册渲染。②质量:**第二轮真回应第一轮**——optimist-r2 逐点回应 skeptic-r1 的 "dogma"/"exit barrier" 指控("Those are valid concerns, but they miss the architecture…"),skeptic-r2 反驳 optimist-r2 的 "composable primitives"("just means users must understand the composition layer…")——真互动非独白,质量可用。③量级:~2K tokens/成员/轮,10.5K/discussion(2×2+综合,本地模型零成本;换商用模型按此估价)。
-- 诚实注记:live 用 dev vm runner 翻 `safeForUntrustedScripts` 旗跑(实验环境);生产 LLM-authored 路径需部署侧 hard runner(isolated-vm),core 的 fail-closed 断言(run-workflow-tool.ts:221-225)实测在位。mock 链(recording runner)已独立验证同一链路的机械结构,live 缺口=无。
-
-## 对 design/140 的修订建议
-
-1. **§4 合并链**:明确「center 配置默认」层今天**不存在**(表 2 #1),是切片 1 的真落码项(store seam 扩展+tool 内合并),不是纯数据打包;并写明烤进脚本的变通及其漂移代价。
-2. **§4 两投影**:`meta.whenToUse` 的 LLM 面列表投影同为开发项(表 2 #2),建议直接照抄 agents 侧 `whenToUse/whenToUseLean`+`tIl` 先例。
-3. **§1 表格 steer 行加注主体**:steer 在 LLM-authored/named workflow 的脚本 isolate 内**不可达**(handle 只进部署侧 `onAgentSpawn` sink,run-workflow-tool.ts:180-182);「在飞成员注入」的主体=部署/操作员(经 sink)或 dev-authored `startWorkflow` 脚本(经 ctx.agentStream),不是 profile 脚本本身。v1 回合制不受影响,但别让读者以为 team-discussion 脚本能自己 steer 成员。
-4. **§6-1 措辞**:`builtinWorkflows` 开关+样板=新码(机制小但非零);连同 #1/#2 三项 S 级落码合计仍远小于任何新 continuation 原语——**终判决「零新机制」对回合制运行时成立,对配置面应改口「三个 S 级小落码项」**。