驗收閘門 CONFORM

#規則

規則是逐字凍結的，沒有可調參數：

1. 依序生成候選。
2. 每份候選都在沙箱中執行可見驗收。
3. 第一份通過者即放行，並停止生成。
4. 最多五份。全部不通過則拒交。
5. 拒交計為失敗，分母是全部題目。

#它是怎麼取代評審委員會的

2026 年 8 月的增益實驗顯示，委員會式設計（信譽路由、三位評審、抽樣稽核、一次修訂）在相同呼叫預算下輸給同題生成五次取多數決。

機制分析找到了原因：

評審追蹤的是題目難度，不是答案對錯

9 月 3 日的 R440P 換掉了整個裁判：刪除評審委員會，改成跑客戶的驗收測資。 專案文件的說法是——

執行取代意見，收據取代投票。}}

#實測結果

三個題庫，跨五次複製與四個互斥題目集：

閘門比單抽一份多交付——跨題庫、跨複製都站得住

題目越難，早停越值錢

#同預算比較：閘門贏投票

這是最乾淨的一次比較：同一組 5 份候選、同樣 5 通呼叫，一個交第一份通過的，一個五份投票取多數。

#為什麼閘門有效、評審無效

兩批已保存的五候選資料，候選池上限分別是 82.68%（31 題五份全錯）與 85.03%（22 題全錯）。

這一篇把整條閘門線的數字與推翻紀錄整理在一起

#這條閘門還在，但不是唯一一條路

2026 年 9 月底之後，產品多了一條主線叫零設定（零設定 Vacant）。它只做一件事：agent 說「我完成了」的那一刻，把話送回去一次。

四個批次裡三個沒量到差別。 第四個量到了，換一個推論引擎就沒複製出來。

這不推翻本頁的數字。 原因是兩者缺的不是同一樣東西：

原文的說法是：零設定 C 組三個零件一個都沒有。

#沙箱與驗收套件

候選程式在獨立行程中執行：10 秒、128 MiB、工作目錄是暫存目錄、不繼承環境變數。測試程式與候選程式分處兩個行程，以帶隨機標記、只允許字面值的遠端呼叫溝通，使候選程式在結構上看不到測試碼。

#驗收套件是資料，不是程式

2026 年 9 月 6 日的攻擊實驗（R451）顯示：只要驗收套件是一段「被信任的程式碼」，攻擊者就能寫出有狀態的變體讓量具失效——量具兩方向都滿分，交付率卻掉了 −75.20 pp，而量具仍然回報 ok。

修法是 SuiteSpec：套件只包含方言、進入點名稱、「輸入—期望值」的字面值清單。執行器只跑自己的確定性渲染器從這份資料產生測試碼，渲染結果的雜湊可以跨機器比對。

效果：exec 走私從 368/371 → 0/371。

把驗收套件從程式變成資料之後

#前提條件

我們把這句話逐字寫進每一份講成效數字的文件裡，刪掉那個區塊等於刪掉那些數字的成立條件。

相關的結構性發現：在我們用過的題庫裡，隱藏測資都是可見測資的超集（V ⊆ GT），所以「隱藏會過但可見不過」在構造上不可能發生。這讓「可見篩選是無損的」這句話失去內容。v-gt-is-not-lossless

#假交付：閘門確實有攔，但沒有對半

R532 較大模型實驗（836 題、43 個區塊、0 作廢）：

閘門把假交付大約砍掉四成，不是對半。論文原本寫「halved」，在事實查核中被判為 ERROR E6——因為那兩個率用了不同的分母。

#接下來

• 加修訂迴圈會怎樣：可執行驗收層
• 五次複製之後的裁決：頭條宣稱輸給了自己的穩定性規則
• token 帳：這是成功率提升，不是 token 效率提升