證據與重現　·　證據 / 58 條裁決　·　2026-10-07

證據帳本

58 條對外宣稱，每一條都有裁決值、依據數值與重算方式。被推翻的、說太滿的、量不出差異的，全部留在表上——一個宣稱可究責的系統，必須先能對自己可究責。

#這張表是怎麼來的

單一資料源

這張帳本的每一格都由 content/data/ 底下兩個 JSON 現算：

檔案	條數	來源	標記
`claims.json`	34	專題資料夾的 `實驗記錄/_index/claims.json`（2026-09-14 建立），由 `npm run import-claims` 匯入	—
`claims-repo.json`	24	網站作者讀 `cosmopig/Vacant` repo 的 `decisions/` 裁決與結論文件後逐條抄錄（截至 2026-10-03，v0.9.0／零設定 v3.7）	repo 裁決

要改一個數字，改 JSON 一次，文件頁、實驗筆記、搜尋索引、這張表全部跟上。 不需要重打一遍。

為什麼分成兩個檔案

claims.json 會被 import-claims 整份覆寫，所以手抄的宣稱不能放進去，會被下一次匯入清掉。

claims-repo.json 是 2026-09-25 之後才有的東西：Vacant repo 在那之後有 193 個 commit，做完了零設定 v3→v3.7 與可究責追緝兩條新線，但沒有產出新的 claims.json——那些裁決都寫在 decisions/*.md 與結論文件裡。

因此這 24 條的來源層級和另外 34 條不同，帳本上用「repo 裁決」標出來。它們的數字是該 repo 的分析腳本產出的、裁決是該 repo 的裁決者寫下的，但還沒有經過專題那一層的正式索引。

換句話說：這 24 條目前由網站作者代為抄錄並賦值。如果你要把它們當成和另外 34 條同樣權威的資料，下一步是把 cosmopig/Vacant 的裁決匯出成 claims.json。

每條宣稱帶四樣東西：

原文 — 當時對外說的是什麼。
依據數值 — 支撐它的數字，帶分母。
裁決值 — 六種狀態之一。
更正後 — 如果裁決是「推翻」或「說太滿」，正確的說法是什麼。

成立事前訂的判準通過（預註冊、跑完對答案）
推翻宣稱是錯的，正確說法列在「更正後」
說太滿核心站得住但說得太滿，或原始證據／機制解釋有問題
無可分辨差異量到沒有可分辨的效應——這本身就是答案，不是沒測完
同號未解析預註冊的規則沒有觸發任何一個狀態，沒量出來，不是沒有差異
未複驗尚未送複驗——不等於通過

#統計

全部 58 條對外宣稱的裁決

23145556

成立23／58 推翻14／58 說太滿5／58 無可分辨差異5／58 同號未解析5／58 未複驗6／58

#完整帳本

點任何一列展開看依據數值、原始紀錄路徑與重算方式。

軸

裁決

顯示 58／58 條

ID	宣稱	原文	裁決
`pulse.definition`	脈衝攻擊的定義	脈衝攻擊＝放電 B 筆連續作惡 → 蓄積 R 筆乾淨交付 → 重複；既有三種策略是其特例	未複驗
`pulse.timing_minor` 筆記 →	時間結構幾乎不影響總得手	攻擊的時間結構幾乎不影響總得手數：15 格 (burst,recover) 網格落在 2.83–5.13（1.81 倍）	說太滿
`pulse.blindspot_dominates`	盲區的影響大於攻擊者參數	盲區的影響遠大於攻擊者的參數選擇：pulse 8.9 倍、patient 54 倍，對照參數網格的 1.81 倍	說太滿
`pulse.crossover` 筆記 →	盲區高過 0.5–0.75 後脈衝不如持續作惡	盲區超過約 0.5–0.75 之後，脈衝反而不如單純的持續作惡（盲區拉滿時差 3.8 倍）	推翻
`pulse.audit_cannot_close_blindspot` 筆記 →	加大稽核救不回有盲區的情況	加大稽核率救得回零盲區（100% 稽核＝完全封鎖），救不回有盲區的情況（仍有 0.97 得手、僅 57% 全擋）	推翻
`pulse.starvation` 筆記 →	一次被抓＝永久除名	一次被抓＝永久除名。被抓過的 16 個 seed 裡，16 個在那之後再也沒被路由過	說太滿
`pulse.reaction_lag`	零盲區下仍漏 2.53 筆、28 輪才反應	即使零盲區，一波仍漏掉 2.53 筆、平均 28 輪才反應	未複驗
`pulse.crude_wins_under_blindspot` 筆記 →	等預算下 crude 策略勝過脈衝	等預算（各 12 筆）＋盲區 0.5 之下，whitewash 8.17 反而勝過脈衝 4.23	推翻
`entry.fee_backfires`	入場費設太低反而幫攻擊者熬過見習期	入場費設得太低反而幫攻擊者熬過見習期：stake=0 全擋，stake=2 得手 5.00、ROI 2.35	未複驗
`entry.reviewer_accuracy_binds`	真正的約束是評審準確率	真正的約束是評審準確率：acc=0 時得手 16.65、ROI 1.04（作惡開始有利可圖）	未複驗
`realmodel.e10_paired_null` 筆記 →	E10 信任開關配對實驗無顯著差異	E10 信任開關 N=60 配對：on 36/60 vs off 31/60，差 +8.3%，95% CI [-5.0%, 21.7%] 跨 0、McNemar p=0.332，不顯著	未複驗
`realmodel.measurement_error` 筆記 →	第一次量測讀錯欄位的假結果	第一次量測是錯的：讀了 audit.passed 當品質判準，而 off 臂依設計不稽核，做出 0/11 vs 5/10 的假結果	未複驗
`gain.signal_exists`	量具本身有訊號（OFF 失敗率落窗）	量具有訊號：無信任層（OFF）時失敗率 26.44%，落在事前訂的 20–60% 窗內	成立
`gain.arms_differ` 筆記 →	三臂交付品質有可分辨差異	三臂（OFF／ON／OFF5）的交付品質有可分辨的差異	無可分辨差異
`gain.equal_budget_on_beats_off5` 筆記 →	等預算下 Vacant 贏過五次取多數	等預算下，Vacant（ON）打得贏同題跑五次取多數決（OFF5）	推翻
`gain.mechanism` 筆記 →	打不贏的機制：評審票近乎常數、修訂無淨修正	打不贏的機制：評審票幾乎是常數函數，修訂幾乎不產生淨修正	成立
`gain.ceiling_hypothesis` 筆記 →	換弱模型就會顯出增益（天花板假說 H-A）	35b worker 太強造成天花板效應，換成 12b 單模型後 Vacant 就會顯出增益	推翻
`gain.hard_bench_hypothesis` 筆記 →	換難題庫就會顯出增益（難度假說 H-B）	MBPP+ 對現代模型太簡單，換成有日期戳的比賽難題（LiveCodeBench）就會顯出增益	推翻
`gain.reviewer_tracks_difficulty` 筆記 →	評審追蹤的是題目難度不是答案對錯	評審追蹤的是題目難度這個全域性質，不是個別答案的對錯	成立
`gain.clean_dataset`	決定性 run 是第一個乾淨的完整資料集	決定性 run 是第一個乾淨的完整資料集：無已知 bug 污染、void 率在窗口內	說太滿
`gain.conform_early_stop_beats_single` 筆記 →	早停閘門比單抽一份多交付	「跑客戶自己的驗收測資、交第一份通過的、全不通過就拒交」（CONFORM 早停閘門）比「單抽一份就收」（OFF）多交付	成立
`gain.gate_rule_beats_majority_vote_same_candidates` 筆記 →	同一組候選，閘門規則勝過五份投票	在同一組 5 份候選、同樣 5 通呼叫下，閘門規則（交第一份通過的、全不通過就不交）比五份投票取多數交付得多	成立
`gain.conform_vs_off5_unresolved` 筆記 →	閘門在交付準確率上贏過多數決	閘門（CONFORM）在交付準確率上贏得過同題跑五次取多數決（OFF5）	同號未解析
`gain.lossless_visible_filter` 筆記 →	可見篩選是無損的	可見篩選是無損的——沒有出現「隱藏測資會過、但可見驗收沒過」的候選	成立
`gain.off5_helps_on_hard_only` 筆記 →	五倍預算只在難題上買得到東西	五倍預算的 self-consistency（OFF5 對 OFF）只在難題上買得到東西	成立
`peerexec.mutual_execution_below_threshold`	多數門檻以下互跑可指名說謊者	在多數門檻以下（腐化執行器數 ≤ ⌊(k−1)/2⌋），互跑不互審的交付與無腐化基線逐位相同，說謊者被指名、誠實者不被誣告	成立
`peerexec.suite_fixed_point` 筆記 →	互跑對「驗收套件本身腐化」毫無防禦	互跑不互審對「驗收套件本身腐化」毫無防禦——這是機制的固定點，R451→R452 把它縮小成一個殘餘，但沒有消滅	成立
`peerexec.majority_bound`	指名有數學上界 ⌊(k−1)/2⌋	指名有數學上界：多數決最多容忍 ⌊(k−1)/2⌋ 個腐化執行器，過半即反轉	成立
`harness.hmix_loop_beats_resample_same_budget` 筆記 →	修訂迴圈比換人重抽多交付且不多花 token	把五通呼叫花在「跑客戶的驗收測資、把失敗原文貼回去、讓同一個 worker 改」（H-MIX），比花在換人重抽（CONFORM）多交付，且 token 不多花	同號未解析
`harness.loop_beats_single_shot_replicated` 筆記 →	回饋迴圈比單抽一份多交付	把五通呼叫花在回饋迴圈（H-MIX／H-PI／H-OC），比單抽一份就收（OFF）多交付——這一條跨題庫、跨複製都站得住	成立
`harness.gain_comes_from_executable_gate_and_resample` 筆記 →	增益主體是閘門＋重抽，迴圈是小增量	增益的主體是「可執行的驗收閘門＋重抽」，回饋迴圈只是疊在它上面的小增量	成立
`harness.majority_vote_loses_to_gate` 筆記 →	同樣五通，投票輸給閘門且貴一倍以上	同樣五通呼叫，五份投票取多數（OFF5）輸給「跑驗收測資、交第一份通過的」（CONFORM），而且貴一倍以上	同號未解析
`harness.hpi_hoc_vs_resample_unresolved`	另外兩條迴圈臂也贏過換人重抽	pi 式原始回饋迴圈（H-PI）與計畫＋診斷＋自測（H-OC）也贏過換人重抽	同號未解析
`harness.gain_is_the_loop_not_the_prompt` 筆記 →	增益幾乎全來自迴圈不是 prompt 措辭	H-MIX 的增益幾乎全來自「把失敗原文貼回去讓它改」的迴圈，不是第一輪 prompt 的措辭	成立
`zero.dabstep_paid_no_difference` 筆記 →	零設定對 DABstep：兩個模型都沒量到差別	在 DABstep 付費正式批次上，裝了零設定 Vacant 的 agent 答對率沒有量到比沒裝的高：gemma-4-26b 50/77 對 44/77（p=0.21）、qwen3.8-27b 68/77 對 64/77（p=0.29）。	無可分辨差異
`zero.dabstep_paid_rejects_all_false` 筆記 →	那一輪 8 次退回全部是誤報	零設定在 DABstep 付費批次觸發的 8 次退回，修正後全部都不會發生——158 跑一次都不會退回，也就是修好之後 C 等於 A，不幫忙也不傷害。	推翻
`zero.local711_p021_thin` 筆記 →	本機 711 格批次 p=0.021，但差別集中在 6 題	零設定 v3 在本機 711 格批次對沒裝的預註冊主要檢定 p=0.0207，但作者自己寫明顯著性很薄：6 題全拿掉之後平均差 0.009、p=0.80；兩跑的結果翻過來 p 就超過 0.05。	說太滿
`zero.v3_3_never_fired` 筆記 →	v3-3「只剩一回合只退回缺檔」一次都沒觸發	v3-3 這條機制在本機 150 次走到交件前檢查中一次都沒有觸發，沒有可觀察的貢獻。	推翻
`zero.colab920_no_difference` 筆記 →	零設定對 Colab 920 題程式庫沒量到差別	在 Colab 五組程式題庫 920 題上，裝了 v3.6.1 的 agent 答對率沒有量到比沒裝的高：748/920（81.3%）對 758/920（82.4%），p=0.387。	無可分辨差異
`zero.colab920_rejects_96pct_false` 筆記 →	920 題批次上 96% 的退回是誤退	v3.6.1 在程式題上的退回 96% 是誤退：472 次退回裡 455 次是因為它只認 pytest 與 python -m unittest，不認 agent 實際跑過的 sh run_tests.sh。	推翻
`zero.u274_no_difference` 筆記 →	u274 預註冊批次：9 對 10，沒有量到差別	在 274 題依種子順序的前 100 題（全 hard、沒用過）上，沒裝 9/100 答對、裝了 v3.6.1 10/100 答對，McNemar 精確雙尾 p=1.0，沒有量到差別。	無可分辨差異
`zero.u274_missing_file_returns_all_wrong` 筆記 →	u274 的缺檔退回 31 跑，之後沒有任何一跑答對	u274 批次裡缺檔退回觸發 31 跑（共 37 次），這 31 跑最後沒有一跑答對——17 錯、14 還是沒交。C 多交的答案檔都錯，也多撞 18 次時限。	推翻
`zero.v37_fixes_three_defects` 筆記 →	v3.7 修掉三個缺陷，退回從 309 降到 29	v3.7 修掉三個缺陷：認任意測試腳本（不只 pytest）、交付物也從人要 agent 照著做的說明檔認、模型錯誤結束的回合一律不退回。在 Colab 920 題批次上第一次就退回的跑數從 309 降到 29。	成立
`zero.v37_colab_p0028` 筆記 →	v3.7 在 Colab 上量到 +11.3 pp（p=0.0028）	v3.7 在 Colab 的 DABstep 711 格批次上量到比沒裝的高：A 97/231（42.0%）、C37 123/231（53.2%）、C37R 139/231（60.2%）；主要檢定 C37−A 平均差 +11.3 pp，p=0.0028。	成立
`zero.v37_gguf_not_replicated` 筆記 →	同一個 v3.7 換成 GGUF 後端就沒有複製出來	在 vacant-dev 複製（LM Studio GGUF、gemma-4-12b、15 回合上限）上，同一個 v3.7 的主要檢定不顯著：C37−A −0.4 pp，p=0.84。Colab 那個 p=0.0028 沒有複製出來。	推翻
`zero.task3_no_difference` 筆記 →	任務導向三題庫 94 題沒量到差別	在任務導向三題庫 94 題、Colab、不設回合上限下，v3.7 沒有量到差別：A 136/188（72.3%）對 C37 141/188（75.0%），Wilcoxon p=0.36。	無可分辨差異
`zero.reminder_default_off` 筆記 →	回合預算提醒預設關，因為它多交的答案錯多於對	從 v3.6 起回合預算提醒預設關閉，要的人自己加 --budget-reminder。理由是提醒讓答對率從 51.9% 升到 59.3%，但多交出來的答案錯多於對。	成立
`zero.not_contradicts_past` 筆記 →	零設定的否定結果與過去的資料不矛盾	零設定三個批次的否定結果與過去量到的增益不矛盾，因為過去沒有量過完全一樣的設定。過去有增益的都是 Vacant 自己握著生成的機制。	成立
`trace.two_layer_attribution`	追緝分兩層：只有事實層能接後果	每一個追緝結論分兩層：事實層（重跑翻轉、自稱成功但指令失敗、違反禁止項）才可以接信譽後果；推論層（「第 k 步造成」「讀到壞輸入」）只進報告。	成立
`trace.lfake_attribution_correct`	追緝端到端歸因正確 33/33、25/25、16/16	四個真 agent 端到端跑八個埋錯情境，歸因正確（狀態／類別／等級／指到的步驟／來源都對）33/33；同一批情境走 vacant do 是 25/25；真互動 TUI 是 16/16。	成立
`trace.feedback_never_names_actor`	給 agent 的回饋裡從來沒有行動者識別	三張端到端表裡，給 agent 的回饋中都沒有出現行動者識別：原生 0/33、vacant do 0/25、TUI 0/16。咎責對象是步驟與行動者，但回饋只給人看。	成立
`trace.review47_and_boundaries`	追緝線的 47 條對抗審查與七條誠實邊界	追緝線做過五個鏡頭 47 條對抗審查，46 條成立、1 條判為既有誠實邊界但照樣收緊，並列七條誠實邊界，其中三句明令不准說。	成立
`trace.scale_perf`	四萬檔的第一次掃描要 5.7 秒，之後每次掛鉤 557 毫秒	追緝掃整個工作區（增量）在 4 核本機上可撐住掛鉤的 30 秒上限：4 萬檔第一次掃描 5.7 秒，之後每次掛鉤 p50 557 ms、p95 597 ms，Stop 端到端 1.9 秒。	成立
`tui.seven_measurement_errors`	互動式 A/B harness 的七個量測錯誤，方向都讓數字長得比實際好看	互動式 TUI 的 A/B harness 有七個量測錯誤，每一個都在真 pi 0.87.1 上抓到，而且每一個的方向都是讓數字長得比實際好看。	成立
`pi.possess_three_defects`	pi extension 缺三樣東西，裝了等於沒裝	pi 互動模式的 extension 有三個缺陷，其中兩個讓它完全不能用：安裝報成功但每一通都 sink、模型 id 對不上實際送出的。	推翻
`opencode.w2_silent_noop`	opencode 沒有 stop 事件：37 個 step 的完整病歷、零個裁決	opencode 的 plugin 沒有註冊 stop 事件，導致回合結束檢查不可達：一格實測記下 37 個 step 的完整簽章病歷、零個裁決、沒有 delivery.md。作者說這比不做更危險，因為鏈看起來是對的。	推翻
`wave1.unresolved`	原生平台 wave 1：同號未解析，不是負結果	原生平台 wave 1（20 題 × 三臂）配對 McNemar 的 discordant 只有 2 對，p=0.50，作者記為 unresolved——不是負結果也不是正結果。	同號未解析
`intake.five_silent_defects`	通用收件口端到端量出五件『會讓人以為成立、其實不成立』的缺陷	通用收件口的端到端量出五件缺陷，其中兩件是單元測試抓不到的：Codex 會拒絕啟動、OpenCode 的加法層讓使用者的全域規則安靜地從提示裡消失。	推翻

逐條明細

pulse.definition脈衝攻擊的定義未複驗防守軸

脈衝攻擊＝放電 B 筆連續作惡 → 蓄積 R 筆乾淨交付 → 重複；既有三種策略是其特例

原始紀錄：vacant/entrycost.py::_should_defect 的 pulse 分支

先行研究

不是新的。2005 年即為 strategic oscillation，2009 年進 ACM Computing Surveys 的攻擊分類表，命名為 oscillation attack。

輪次 pulse-2026-08-03　·　定義　·　型別裁決：未複驗

pulse.timing_minor時間結構幾乎不影響總得手說太滿防守軸

攻擊的時間結構幾乎不影響總得手數：15 格 (burst,recover) 網格落在 2.83–5.13（1.81 倍）

更正後

在盲區 0.5 這一點上量不到時間結構的效應，但那是 absence of evidence。把得手拆成「路由次數 × 每次得手率」後，前者跨度 6.06 倍、後者 8.45 倍——總數之所以平，是曝光與效率反向抵消。攻擊能力差 8.45 倍。

依據數值

最小: 2.8333
最小格: (1,20)
最大: 5.1333
最大格: (8,20)

欄位：cells[].accepted_bad.mean

原始紀錄：脈衝攻擊_2026-08-03/E24.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：overstated

pulse.blindspot_dominates盲區的影響大於攻擊者參數說太滿防守軸

盲區的影響遠大於攻擊者的參數選擇：pulse 8.9 倍、patient 54 倍，對照參數網格的 1.81 倍

更正後

盲區與時間結構有強交互作用（雙因子分解 η²=0.264，是時間結構主效應的 4 倍），所以「真正的變數是 X」這個句型本身不成立。在盲區 1.0 且曝光固定為 90 次時，光是時間結構就跨 29 倍——比歸給盲區的 8.9 倍還大。

依據數值

pulse blind=0: 2.3667
pulse blind=1: 21
patient blind=0: 1.4667
patient blind=1: 79

欄位：cells[].accepted_bad.mean

原始紀錄：脈衝攻擊_2026-08-03/E20.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：overstated

pulse.crossover盲區高過 0.5–0.75 後脈衝不如持續作惡推翻防守軸

盲區超過約 0.5–0.75 之後，脈衝反而不如單純的持續作惡（盲區拉滿時差 3.8 倍）

更正後

盲區升高時改變的是**最佳蓄積長度往 0 移動**，不是脈衝這個家族變弱。實測 pulse(20,2)/(20,1)/(50,1) 在盲區 1.0 得手 81/84/87，全部高過 patient 的 79。

依據數值

blind=0.75: {"patient":8.3333,"pulse":7.7667}
blind=1.0: {"patient":79,"pulse":21}

原始紀錄：脈衝攻擊_2026-08-03/E20.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：refuted

pulse.audit_cannot_close_blindspot加大稽核救不回有盲區的情況推翻防守軸

加大稽核率救得回零盲區（100% 稽核＝完全封鎖），救不回有盲區的情況（仍有 0.97 得手、僅 57% 全擋）

更正後

偵測機率是單一乘積 (1−盲區)×抽樣率×準確率，三者同軸。抽樣率與盲區可互相替換（稽核 0.5→1.0 剛好抵銷 50% 盲區，配對差 0.03、p=0.78）。盲區改變的是防禦的**天花板**（殘量 β/(1−β)），不是抽樣率有沒有用。

依據數值

blind=0 audit=1.0: {"accepted_bad":0,"shutout":1}
blind=0.5 audit=1.0: {"accepted_bad":0.9667,"shutout":0.5667}

原始紀錄：脈衝攻擊_2026-08-03/E21.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：refuted

pulse.starvation一次被抓＝永久除名說太滿防守軸

一次被抓＝永久除名。被抓過的 16 個 seed 裡，16 個在那之後再也沒被路由過

更正後

被 slash(0.5) 一次就在任何可達視野內退出路由。乾淨隔離後更強：defect_budget=1、4000 輪下，未被抓的 27/30 跑到第 3993 輪，被抓的 3/3 其後 3961 輪零路由。真正的機制不是「per-stream 時鐘讓等待無效」——等待其實有效（UCB 探索項）；致命的是 slash 的 β += (α+β) 同時砍半均值並加倍 n，而 n 是回歸時間的指數係數：懲罰把自己的赦免管道一起關小了。

依據數值

被抓的 seed 數: 16
其後再被路由的 seed 數: 0
最後被路由輪次中位數: 171
總輪數: 600

原始紀錄：脈衝攻擊_2026-08-03/E17/logs/burst3__p*.jsonl

輪次 pulse-2026-08-03　·　量測（來自逐輪紀錄，非聚合值）　·　型別裁決：overstated

pulse.reaction_lag零盲區下仍漏 2.53 筆、28 輪才反應未複驗防守軸

即使零盲區，一波仍漏掉 2.53 筆、平均 28 輪才反應

依據數值

hits_per_burst: 2.5333
react_lag_rounds: 27.95

欄位：cells[label=blind=0.0].hits_per_burst.mean / react_lag_mean.mean

原始紀錄：脈衝攻擊_2026-08-03/E22.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：未複驗

pulse.crude_wins_under_blindspot等預算下 crude 策略勝過脈衝推翻防守軸

等預算（各 12 筆）＋盲區 0.5 之下，whitewash 8.17 反而勝過脈衝 4.23

更正後

真正綁住預算後排名反轉（budget=2：patient/pulse 1.67 vs whitewash 0.97，配對 p=0.0015）。whitewash 的優勢來自免費換身份重新取得路由權——它用掉 4.7 個身份、到第 542 輪還在接單，而 pulse 第 160 輪就被餓死。那是入場成本問題，與脈衝的時機結構無關。

依據數值

whitewash: 8.1667
sybil: 6.1333
pulse(5,20): 4.3
pulse(3,10): 4.2333
patient: 3.7333

原始紀錄：脈衝攻擊_2026-08-03/E19.json

輪次 pulse-2026-08-03　·　量測　·　型別裁決：refuted

entry.fee_backfires入場費設太低反而幫攻擊者熬過見習期未複驗防守軸

入場費設得太低反而幫攻擊者熬過見習期：stake=0 全擋，stake=2 得手 5.00、ROI 2.35

欄位：cells[].accepted_bad.mean / roi.mean

原始紀錄：入場成本_2026-07-26/E4.json

輪次 entrycost-2026-07-26　·　量測　·　型別裁決：未複驗

entry.reviewer_accuracy_binds真正的約束是評審準確率未複驗防守軸

真正的約束是評審準確率：acc=0 時得手 16.65、ROI 1.04（作惡開始有利可圖）

原始紀錄：入場成本_2026-07-26/E12.json

輪次 entrycost-2026-07-26　·　量測　·　型別裁決：未複驗

realmodel.e10_paired_nullE10 信任開關配對實驗無顯著差異未複驗防守軸

E10 信任開關 N=60 配對：on 36/60 vs off 31/60，差 +8.3%，95% CI [-5.0%, 21.7%] 跨 0、McNemar p=0.332，不顯著

原始紀錄：真模型_2026-07-26/E10/{on,off}/rows.jsonl

輪次 realmodel-2026-07-26　·　量測　·　型別裁決：未複驗

realmodel.measurement_error第一次量測讀錯欄位的假結果未複驗防守軸

第一次量測是錯的：讀了 audit.passed 當品質判準，而 off 臂依設計不稽核，做出 0/11 vs 5/10 的假結果

原始紀錄：examples/realmodel_suite.py 的註解（該處保留了錯誤的完整說明）

輪次 realmodel-2026-07-26　·　自我更正　·　型別裁決：未複驗

gain.signal_exists量具本身有訊號（OFF 失敗率落窗）成立增益軸

量具有訊號：無信任層（OFF）時失敗率 26.44%，落在事前訂的 20–60% 窗內

依據數值

OFF processed: 179
OFF infra_void: 5
measured: 174
失敗率: 0.2644
Wilson CI95: [0.204,0.334]

原始紀錄：增益實驗_2026-08-30/DECISION_20260901_R437_DECISIVE_RUN_COMPLETE_FINAL.md

輪次 gain-2026-08-30　·　量測（事前判準 1）　·　型別裁決：held

gain.arms_differ三臂交付品質有可分辨差異無可分辨差異增益軸

三臂（OFF／ON／OFF5）的交付品質有可分辨的差異

更正後

「三臂有差異」不成立。在這個 worker 池（qwen3.6-35b＋gemma-4-12b）與 MBPP+ 上，ON 與 OFF5 的交付品質量不出可分辨差異。

依據數值

raw ON vs OFF5: {"n":101,"ON":0.7525,"OFF5":0.7723,"b":6,"c":8,"p":0.7905}
typing 修正版: {"n":101,"ON":0.8416,"OFF5":0.8119,"b":5,"c":2,"p":0.4531}

原始紀錄：增益實驗_2026-08-30/DECISION_20260901_R437_DECISIVE_RUN_COMPLETE_FINAL.md

輪次 gain-2026-08-30　·　量測（事前判準 2，配對 McNemar）　·　型別裁決：no_effect

gain.equal_budget_on_beats_off5等預算下 Vacant 贏過五次取多數推翻增益軸

等預算下，Vacant（ON）打得贏同題跑五次取多數決（OFF5）

更正後

ON 比 self-consistency 多做的事（評審＋單輪修訂）在這批 worker 與題目上沒有交付可量測的價值；邊界：換更強評審、換「有反例才修」觸發、換題庫都可能翻盤，那是新實驗（R440/R440B 階梯）。

依據數值

完整配對: {"n":101,"p":0.4531}
難題子集（OFF 失敗集合）: {"n":21,"ON":0.2857,"OFF5":0.2857,"b":1,"c":1,"p":1}

原始紀錄：增益實驗_2026-08-30/DECISION_20260901_R438_HARD_SUBSET_AND_REVISE_MECHANISM.md

輪次 gain-2026-08-30　·　量測（事前判準 3）　·　型別裁決：refuted

gain.mechanism打不贏的機制：評審票近乎常數、修訂無淨修正成立增益軸

打不贏的機制：評審票幾乎是常數函數，修訂幾乎不產生淨修正

依據數值

生效評審票準確率: 0.7552
almost-PASS 基線: 0.7522
差: 0.0029
revise 反事實 no_opportunity: 93/113
盲目採用 revised 的 hidden 通過率: 82.3%→78.8%
discarded_win: 0/113
revision_transition=improved: 1/113

原始紀錄：增益實驗_2026-08-30/DECISION_20260901_R438_HARD_SUBSET_AND_REVISE_MECHANISM.md

輪次 gain-2026-08-30　·　機制分析（在完整 179 題資料上重算）　·　型別裁決：held

gain.ceiling_hypothesis換弱模型就會顯出增益（天花板假說 H-A）推翻增益軸

35b worker 太強造成天花板效應，換成 12b 單模型後 Vacant 就會顯出增益

更正後

在這個機制設計下，worker 強弱不是綁定約束。

依據數值

OFF 失敗率: 0.318
ON vs OFF5: {"n":167,"b":11,"c":12,"p":1}
評審 grounded −基線: +4.19pp（95% [0, 8.58]）
ON void: 12/179

原始紀錄：增益實驗_2026-08-30/DECISION_20260903_R440N_E1_INDEPENDENT_AUDIT_CONCUR.md

輪次 gain-2026-08-30　·　量測（人類 2026-09-01 提出的假說 H-A；E1 gemma-4-12b 單模型池 179 題）　·　型別裁決：refuted

gain.hard_bench_hypothesis換難題庫就會顯出增益（難度假說 H-B）推翻增益軸

MBPP+ 對現代模型太簡單，換成有日期戳的比賽難題（LiveCodeBench）就會顯出增益

更正後

三個乾淨 run、兩個模型家族、兩個題庫、兩種難度，答案一致：等預算下這個機制打不贏 self-consistency。

依據數值

OFF 失敗率: 0.484
Wilson CI95: [0.384,0.585]
ON vs OFF5: {"n":87,"b":15,"c":10,"p":0.4244}
題庫確實更難: 比 MBPP+ 的 31.8% 高 16.6pp

原始紀錄：增益實驗_2026-08-30/DECISION_20260904_R440T_E3_WRAPUP.md

輪次 gain-2026-08-30　·　量測（人類 2026-09-01 提出的假說 H-B；E3 LCB 91 題 medium+hard × gemma-only）　·　型別裁決：refuted

gain.reviewer_tracks_difficulty評審追蹤的是題目難度不是答案對錯成立增益軸

評審追蹤的是題目難度這個全域性質，不是個別答案的對錯

依據數值

MBPP+: {"原始 FAIL 主張":"少數（近乎一律 PASS）","初稿錯誤率":0.305,"原始層−常數基線":"-2.99pp"}
LCB 難題: {"原始 FAIL 主張":"234/261 = 89.7%（近乎一律 FAIL）","初稿錯誤率":0.46,"原始層−常數基線":"+0.77pp"}
解釋: 換題庫只是換了它偏向哪一個常數

原始紀錄：增益實驗_2026-08-30/DECISION_20260904_R440T_E3_WRAPUP.md

輪次 gain-2026-08-30　·　機制分析（跨兩題庫對照）　·　型別裁決：held

gain.clean_dataset決定性 run 是第一個乾淨的完整資料集說太滿增益軸

決定性 run 是第一個乾淨的完整資料集：無已知 bug 污染、void 率在窗口內

更正後

配對分析用的是三臂皆非 void 的 n=101 題，統計結論不受 void 直接影響；但「乾淨」應改成「無已知 bug 污染、配對子集 n=101」，void 率要照實列出。round459/R440D 之後的 qwen-only run void 79% 已另案判為不可用。

依據數值

ON infra_void: 66/179
OFF5 infra_void: 30/179
OFF infra_void: 5/179
R437 自記: void率 ON=36.2% OFF5=16.9% ⚠VOID-GATE-WARNING
equal_budget_comparison_valid（summary 欄位）: false

原始紀錄：增益實驗_2026-08-30/g_r356_3arm_summary.json

輪次 gain-2026-08-30　·　資料品質宣稱　·　型別裁決：overstated

gain.conform_early_stop_beats_single早停閘門比單抽一份多交付成立增益軸

「跑客戶自己的驗收測資、交第一份通過的、全不通過就拒交」（CONFORM 早停閘門）比「單抽一份就收」（OFF）多交付

依據數值

MBPP+ 併庫 371 題: +4.58pp（CI [+0.57, +8.04]）
LCB v2 120 題: {"delta_pp":19.17,"b":31,"c":8,"p":0.0003}
LCB v3 189 題: {"delta_pp":7.94,"b":25,"c":10,"p":0.0167}
呼叫／題: 1.51／1.71／1.55 對 1.00

欄位：rows.jsonl 的 arm／task_id／delivered／hidden_pass／calls_used

原始紀錄：runs/g_r444_conform_mbpp/rows.jsonl、runs/g_r445_conform_mbpp_ext/rows.jsonl（MBPP+ 併庫 371 題）；runs/g_r447_conform_lcb2/rows.jsonl（LCB v2 120 題）；runs/g_r461_lcb3_three_arm/rows.jsonl（LCB v3 189 題）

重算方式：ops/gain/replay/conform_settle.py、ops/gain/replay/paired_ci.py、ops/gain/replay/pooled_paired_ci.py（零 API，只讀 rows.jsonl）

輪次 gain-2026-08-30　·　量測（三個題庫、配對）　·　型別裁決：held

gain.gate_rule_beats_majority_vote_same_candidates同一組候選，閘門規則勝過五份投票成立增益軸

在同一組 5 份候選、同樣 5 通呼叫下，閘門規則（交第一份通過的、全不通過就不交）比五份投票取多數交付得多

依據數值

r446: {"gate":75.47,"vote":71.43,"b":24,"c":9,"delta_pp":4.04,"ci95":[0.796,6.529],"p":0.0135}
r448: {"gate":77.09,"vote":73.58,"b":21,"c":8,"delta_pp":3.5,"ci95":[0.81,6.47],"p":0.0241}
r449b: {"gate":70.83,"vote":62.5,"b":15,"c":5,"delta_pp":8.33,"ci95":[0.3,13.78],"p":0.0414}
r449c（UNRESOLVED）: {"gate":83.07,"vote":78.84,"b":13,"c":5,"delta_pp":4.23,"ci95":[-0.66,7.68],"p":0.0963}

原始紀錄：runs/g_r446_eq5_mbpp/rows.jsonl（MBPP+ 371 題）、runs/g_r448_eq5_mbpp_seed2/rows.jsonl（MBPP+ 371 題、換種子）、runs/g_r449_eq5_lcb2/rows.jsonl（LCB v2 難題 120 題）、runs/g_r449c_eq5_lcb3/rows.jsonl（LCB v3 189 題，判 UNRESOLVED）

重算方式：ops/gain/analyze_eq5.py（零 API，只讀 rows.jsonl；它自己印的 prereg 區塊**不是**仲裁者，見 R449B §三末）

輪次 gain-2026-08-30　·　量測（EQ5 等預算臂，四個 run）　·　型別裁決：held

gain.conform_vs_off5_unresolved閘門在交付準確率上贏過多數決同號未解析增益軸

閘門（CONFORM）在交付準確率上贏得過同題跑五次取多數決（OFF5）

依據數值

LCB v2: {"delta_pp":6.67,"p":0.15}
LCB v3: {"delta_pp":1.59,"ci95":[-3.17,6.35],"p":0.6636}
MBPP+ 乾淨複製（新 192 題）: {"delta_pp":4.69,"ci95":[-1.11,9.42]}
MDE@371: 4.31
80%_power_需配對數: 491
題庫上限: 378

原始紀錄：runs/g_r447_conform_lcb2/rows.jsonl（LCB v2 120 題）、runs/g_r461_off_gate_lcb3/rows.jsonl 與 runs/g_r461_lcb3_three_arm/rows.jsonl（LCB v3 189 題）；MBPP+ 側 runs/g_r445_conform_mbpp_ext/rows.jsonl

重算方式：ops/gain/replay/paired_ci.py、ops/gain/replay/off5_k_curve.py

輪次 gain-2026-08-30　·　量測（獨立抽樣，兩個 LCB run）　·　型別裁決：unresolved

gain.lossless_visible_filter可見篩選是無損的成立增益軸

可見篩選是無損的——沒有出現「隱藏測資會過、但可見驗收沒過」的候選

依據數值

MBPP+ 合計: 0／1630
LCB v1 重放: 0／455
LCB v2 真跑: 0／120
LCB v3 真跑: 0／189
重疊（非獨立樣本）: LCB v1 重放與 LCB v2 真跑共用 91 題

欄位：rows.jsonl 的 visible_pass 與 hidden_pass；違反＝hidden_pass ∧ ¬visible_pass

原始紀錄：runs/g_r441_gemma_only_mbpp_b/rows.jsonl（0／895）、runs/g_r356_3arm_20260830/rows.jsonl（0／735）、runs/g_r443_gemma_lcb/rows.jsonl（LCB v1 重放 0／455）、runs/g_r447_conform_lcb2/rows.jsonl（LCB v2 真跑 0／120）、runs/g_r461_off_gate_lcb3/rows.jsonl（LCB v3 真跑 0／189）

重算方式：ops/gain/replay/rows_visible_audit.py、ops/gain/replay/verify_hidden.py、ops/gain/replay/check_lcb_visible_subset.py

輪次 gain-2026-08-30　·　量測（六個資料集）　·　型別裁決：held

gain.off5_helps_on_hard_only五倍預算只在難題上買得到東西成立增益軸

五倍預算的 self-consistency（OFF5 對 OFF）只在難題上買得到東西

依據數值

MBPP+: {"delta_pp":0.81,"ci95":[-2.78,4.28],"格":"RULED_OUT"}
LCB v2: {"delta_pp":12.5,"b":22,"c":7,"p":0.0081}
LCB v3: {"delta_pp":6.35,"b":22,"c":10,"p":0.0501}
對照（改花法比加預算更有用）: +19.2pp @1.71 通 vs +12.5pp @5 通
r461 不算難題複製: lcb3 的 OFF 失敗率 27.5%，已回到 MBPP+ 量級 31.8%

原始紀錄：runs/g_r441_gemma_only_mbpp_b/rows.jsonl 與 runs/g_r356_3arm_20260830/rows.jsonl（MBPP+）、runs/g_r447_conform_lcb2/rows.jsonl（LCB v2 120 題）、runs/g_r461_lcb3_three_arm/rows.jsonl（LCB v3 189 題）

重算方式：ops/gain/replay/off5_k_curve.py、ops/gain/replay/paired_ci.py

輪次 gain-2026-08-30　·　量測（OFF5 vs OFF，跨題庫對照）　·　型別裁決：held

peerexec.mutual_execution_below_threshold多數門檻以下互跑可指名說謊者成立紀錄與多方

在多數門檻以下（腐化執行器數 ≤ ⌊(k−1)/2⌋），互跑不互審的交付與無腐化基線逐位相同，說謊者被指名、誠實者不被誣告

依據數值

模擬門檻以下: {"與無腐化基線逐位相同":"100 格","說謊者被指名":1,"誠實者被誣告":0,"1 個腐化 k=1":"−7.8pp、偵測 0","1 個腐化 k=3":"偵測 1.000"}
真跑 R453（k=2）: {"跨機可見標籤一致":"1840／1840","出貨 sha":"340／340","拒交":"26／26","誠實執行器被指名":0,"每台鏈驗真":"2／2","spec/render sha 跨機相同":"368／368"}
真跑 R454（k=3、1 把說謊）: {"說謊格 dissenters 恰為 {K3}":"273／273","誠實金鑰出現在指名欄":"0（分母 1840）","自相矛盾格裁決仍正確":"58／58","三條鏈驗真":"3／3（鏈長 1840／1840／1899）","證言逐筆驗簽失敗":"0（共 5519 筆）"}

原始紀錄：【模擬】ops/gain/replay/peer_exec_sweep.json（200 格：r446 371 題×5 候選、r443 91 題×5、k∈{1,3,5,7}、腐化比例 0–70%、五種攻擊）、ops/gain/replay/peer_exec_flake.json（抖動×腐化）；【真跑】ops/gain/replay/r453/r453_result.json 與 r453_independent_audit.json（k=2、Mac＋vacant-dev）、ops/gain/replay/r454/r454_result.json 與 r454_naming_table.tsv（k=3、1 把說謊）

重算方式：ops/gain/replay/peer_exec_sim.py（模擬）、ops/gain/replay/peer_exec_real.py（真跑）、ops/gain/replay/receipt_chain_audit.py（鏈驗證）；程式在 vacant/peerexec.py

輪次 peerexec-2026-09-05　·　模擬掃描＋真跑（哪一半是哪一半見「邊界」）　·　型別裁決：held

peerexec.suite_fixed_point互跑對「驗收套件本身腐化」毫無防禦成立紀錄與多方

互跑不互審對「驗收套件本身腐化」毫無防禦——這是機制的固定點，R451→R452 把它縮小成一個殘餘，但沒有消滅

依據數值

trivial 套件: {"交付率":"−6.47pp／−18.68pp","假交付":"31%／49%","四個 k 的爭議率":"全部 0.0%"}
R451 量具綁進 commit: trivial 套件 371／371 在 commit 就被拒（沒花一次沙箱）
R451 stateful 變體: {"交付率":"−75.20pp","交付":"0.00%","gauge_status":"ok（量具作為部分解作廢）"}
R452 套件改成資料: {"exec 走私上鏈":"368／371 → 0／371","超大十六進位整數穿門":"11／11 → 0／11","無損":"1840（MBPP+）＋455（LCB）個候選逐格相同、0 不一致"}
殘餘（一律講兩個數字，分母 366／371 上鏈題）: {"可實現 generic_gauged":"17.93% → 20.65%＝+2.72pp","事後諸葛上限 weak_oracle":"+4.35pp"}

原始紀錄：ops/gain/replay/peer_exec_trivial_suite.json（「載得進就算過」的套件）、ops/gain/replay/r451_stateful_gate.json（量具兩方向滿分的 stateful 變體）、ops/gain/replay/peer_exec_suitespec_gate.json 與 r452b_smuggle_gate.json（exec 走私）、ops/gain/replay/r452c_generic_gate.json 與 r452c_channel_hunt.json（殘餘：generic_gauged／weak_oracle）、ops/gain/replay/r453/r453_gauge.json

重算方式：ops/gain/replay/r452_suitespec.py、ops/gain/replay/r452c_generic_gate.py、ops/gain/replay/r452b_smuggle_gate.py；程式在 vacant/suitegauge.py

輪次 peerexec-2026-09-05　·　極限宣稱（held＝這個「買不到」本身被量到了）　·　型別裁決：held

peerexec.majority_bound指名有數學上界 ⌊(k−1)/2⌋成立紀錄與多方

指名有數學上界：多數決最多容忍 ⌊(k−1)/2⌋ 個腐化執行器，過半即反轉

依據數值

容忍上界: ⌊(k−1)/2⌋
過半後誣告率: 0.175／0.374（兩批掃描：r446 371 題×5、r443 91 題×5）
固定腐化比例下 k=1..7 交付率: 一字不變（串謀 67.39%、破壞 0%）
k=3／quorum=2 缺一票: 1-1 平手 ⇒ 未決、不指名

原始紀錄：ops/gain/replay/peer_exec_sweep.json（配套量測：固定腐化比例下 k 從 1 到 7交付率一字不變）、ops/gain/replay/r454/r454_naming_table.tsv（真跑的指名欄）

輪次 peerexec-2026-09-05　·　極限宣稱（機制的數學上界，不是量測結果）　·　型別裁決：held

harness.hmix_loop_beats_resample_same_budget修訂迴圈比換人重抽多交付且不多花 token同號未解析增益軸・迴圈

把五通呼叫花在「跑客戶的驗收測資、把失敗原文貼回去、讓同一個 worker 改」（H-MIX），比花在換人重抽（CONFORM）多交付，且 token 不多花

依據數值

R460: {"OFF":{"deliv":58.33,"false_delivery_n":50,"tokens_per_task":2913},"CONFORM":{"deliv":70.83,"false_delivery_n":29,"tokens_per_task":5805},"OFF5":{"deliv":65,"false_delivery_n":42,"tokens_per_task":15004},"HPI":{"deliv":75.83,"false_delivery_n":17,"tokens_per_task":9448},"HOC":{"deliv":80,"false_delivery_n":18,"tokens_per_task":7432},"HMIX":{"deliv":84.17,"false_delivery_n":14,"tokens_per_task":5677},"HMIX_vs_CONFORM":{"b":22,"c":6,"delta_pp":13.33,"ci95":[4.22,19.46],"p":0.0037,"holm_p_adj":0.0112,"verdict":"EFFECTIVE"},"HMIX_vs_OFF":{"b":34,"c":3,"delta_pp":25.83,"ci95":[17.32,29.78]}}
R460R_HMIX_vs_CONFORM_by_rep: [{"rep":1,"num":93,"den":120,"conform_num":86,"delta_pp":5.83,"b":15,"c":8,"ci95":[-2.79,12.89],"holm_p_adj":0.63,"four_state":"INCONCLUSIVE"},{"rep":2,"num":92,"den":120,"conform_num":87,"delta_pp":4.17,"b":17,"c":12,"ci95":[-5.35,12.8],"holm_p_adj":0.917,"four_state":"INCONCLUSIVE"},{"rep":3,"num":91,"den":120,"conform_num":90,"delta_pp":0.83,"b":12,"c":11,"ci95":[-7.44,8.89],"holm_p_adj":1,"four_state":"RULED_OUT","ci95_upper":8.89,"四狀態語意":"RULED_OUT ＝排除 ≥+10pp，不是排除任何效果"},{"rep":4,"num":88,"den":120,"conform_num":85,"delta_pp":2.5,"b":13,"c":10,"ci95":[-5.94,10.28],"holm_p_adj":0.678,"four_state":"INCONCLUSIVE","註":"上界 10.28 離 RULED_OUT 只差 0.28pp ⇒ 四狀態計數對區間方法極敏感"},{"rep":5,"num":87,"den":116,"conform_num":82,"delta_pp":4.31,"b":14,"c":9,"ci95":[-4.54,12.01],"holm_p_adj":0.922,"four_state":"INCONCLUSIVE","分母":"complete-case 116（7 列 infra_void 作廢）","作廢最壞界":[0.83,7.5]}]
R460R_rep5_per_arm_den: {"OFF":119,"CONFORM":117,"OFF5":118,"HPI":120,"HOC":120,"HMIX":119}
R460R_rep5_infra_void: {"n":7,"by_arm":{"OFF":1,"CONFORM":3,"OFF5":2,"HMIX":1},"來源":"2026-09-13 01:44Z 後端模型崩潰後 JIT 重載（TTL 1h、每小時 :07 卸載）；notes.jsonl 逐筆寫 HTTP 400 Failed to load model gemma-4-12b-it-qat（5）／HTTP 500（2）"}
R460R_reps_run: 5
R460R_reps_prereg: 5
R460R_statement_rule: 5/5 同號成立、≥4/5 Holm 顯著不成立（0/5）⇒ 逐次照實列；不准寫「複製穩定」「多數支持」，也不准寫「複製失敗」「效果消失」「等價」
R460R_holm_significant_n: 0
R460R_ci_all_intersect_R460: 五個未調整區間全部與 R460 的 [4.22, 19.46] 相交
R460R_ci_uppers: [12.89,12.8,8.89,10.28,12.01]
R460R_ci_uppers_all_below_13.33: true
R460R_power_expectation: n=120 對 +10pp 檢定力 0.43–0.63 ⇒ 五次預期 2–3 次過；真值若為 +10pp，0/5 的機率約 0.007–0.06（下尾）
R460R_co_tenancy_pct: [8.5,71.3,2.1,0,0]
R529_HMIX_vs_CONFORM_by_set: [{"set":"lcb3_medium","num":126,"den":135,"conform_num":125,"delta_pp":0.74,"b":6,"c":5},{"set":"lcb3_hard","num":43,"den":54,"conform_num":41,"delta_pp":3.7,"b":5,"c":3},{"set":"humanevalplus","num":148,"den":156,"conform_num":147,"delta_pp":0.64,"b":5,"c":4},{"set":"mbppplus","num":299,"den":371,"conform_num":295,"delta_pp":1.08,"b":15,"c":11}]
R529_HMIX_vs_CONFORM_pooled: {"num":616,"den":716,"conform_num":608,"delta_pp":1.12,"b":31,"c":23,"holm_p_adj":0.341}
R529_four_state: INCONCLUSIVE
方向: 9/9 同號（五次複製＋四集），幅度未確立

原始紀錄：runs/g_r460_harness_lcb2_{a1,a2,a3,b1,b2,b3}/rows.jsonl 與 calls.jsonl（六塊各 20 題，合併 120 題）；runs/g_r460r{1,2,3,4,5}_harness_lcb2_{a1,a2,a3,b1,b2,b3}/rows.jsonl（五次複製，各 120 題；r5 713 列，7 列 infra_void 在 notes.jsonl）；runs/g_r529_{lcb3m_a1..a7,lcb3h_a1..a3,hep_a1..a8,mbpp_a1..a19}/rows.jsonl（四集，716 題）

重算方式：ops/gain/analyze_r460.py --run <六塊> --bank lcb2 --rescore-turn1（零 API，只跑沙箱）；ops/gain/analyze_r460r.py --reps 1 2 3 4 5 --bank lcb2；落盤 ops/gain/replay/r460/r460_analyze.json、**ops/gain/replay/r460r/r460r_analyze_5reps.json**（與 `_norescore.json` 仲裁區塊逐位元相同）、ops/gain/replay/r529/r529_analyze.json。本條的 R460R 數字由 rows.jsonl 獨立重算（accepted∧meets_demand），與 analyzer 逐格一致。

輪次 harness-2026-09-08　·　量測（R460 六臂 LCB v2 120 題＋ R460R **五次**同題複製＋ R529 跨題庫四集）　·　型別裁決：unresolved

harness.loop_beats_single_shot_replicated回饋迴圈比單抽一份多交付成立增益軸・迴圈

把五通呼叫花在回饋迴圈（H-MIX／H-PI／H-OC），比單抽一份就收（OFF）多交付——這一條跨題庫、跨複製都站得住

依據數值

R460R_vs_OFF_by_rep: {"HMIX":[{"rep":1,"num":93,"off_num":69,"den":120,"delta_pp":20,"b":29,"c":5},{"rep":2,"num":92,"off_num":65,"den":120,"delta_pp":22.5,"b":34,"c":7},{"rep":3,"num":91,"off_num":69,"den":120,"delta_pp":18.33,"b":28,"c":6},{"rep":4,"num":88,"off_num":62,"den":120,"delta_pp":21.67,"b":33,"c":7},{"rep":5,"num":88,"off_num":61,"den":118,"delta_pp":22.88,"b":34,"c":7,"分母":"complete-case 118"}],"HPI":[{"rep":1,"delta_pp":19.17,"b":26,"c":3,"den":120},{"rep":2,"delta_pp":25,"b":35,"c":5,"den":120},{"rep":3,"delta_pp":18.33,"b":29,"c":7,"den":120},{"rep":4,"delta_pp":29.17,"b":39,"c":4,"den":120},{"rep":5,"delta_pp":19.33,"b":31,"c":8,"den":119}],"HOC":[{"rep":1,"delta_pp":19.17,"b":28,"c":5,"den":120},{"rep":2,"delta_pp":19.17,"b":30,"c":7,"den":120},{"rep":3,"delta_pp":17.5,"b":28,"c":7,"den":120},{"rep":4,"delta_pp":26.67,"b":38,"c":6,"den":120},{"rep":5,"delta_pp":24.37,"b":31,"c":2,"den":119}],"holm":"十五格全部顯著（每次複製之內 6 個檢定的家族）"}
R529_HMIX_vs_OFF_by_set: [{"set":"lcb3_medium","num":126,"off_num":115,"den":135,"delta_pp":8.15,"b":17,"c":6},{"set":"lcb3_hard","num":43,"off_num":38,"den":54,"delta_pp":9.26,"b":7,"c":2},{"set":"humanevalplus","num":148,"off_num":129,"den":156,"delta_pp":12.18,"b":24,"c":5},{"set":"mbppplus","num":299,"off_num":277,"den":371,"delta_pp":5.93,"b":31,"c":9}]
R529_HMIX_vs_OFF_pooled: {"num":616,"off_num":559,"den":716,"delta_pp":7.96,"b":79,"c":22,"holm_p_adj":2.02e-8}
真來源數: 3
分母警語: HumanEval+ 是 156/164（8 題因沙箱信封排除）；R460R r5 的三個對照分母各自不同（118／119／119，7 列 infra_void），不准統一回填 120
後端負載不同質: 五次與 R529 的共租率 8.5／71.3／2.1／0／0%；這一條的效果量大到共租解釋不了（量級上限 ≤1.7pp／臂），但仍要寫明

原始紀錄：runs/g_r460r{1,2,3,4,5}_harness_lcb2_*/rows.jsonl（五次 × 120 題；r5 713 列）；runs/g_r529_*/rows.jsonl（四集 716 題）

重算方式：ops/gain/replay/r529/r529_analyze.json；ops/gain/replay/r460r/r460r_analyze_5reps.json；R460R 五次由 rows.jsonl 獨立重算（r5 用 complete-case 分母）

輪次 harness-2026-09-08　·　量測（**五次**同題複製 × 三條 harness 臂＋四個互斥題目集）　·　型別裁決：held

harness.gain_comes_from_executable_gate_and_resample增益主體是閘門＋重抽，迴圈是小增量成立增益軸・迴圈

增益的主體是「可執行的驗收閘門＋重抽」，回饋迴圈只是疊在它上面的小增量

依據數值

R460R_CONFORM_vs_OFF_by_rep: [{"rep":1,"conform_num":86,"off_num":69,"den":120,"delta_pp":14.17,"b":22,"c":5,"p_uncorrected":0.0015},{"rep":2,"conform_num":87,"off_num":65,"den":120,"delta_pp":18.33,"b":28,"c":6,"p_uncorrected":0.0002},{"rep":3,"conform_num":90,"off_num":69,"den":120,"delta_pp":17.5,"b":26,"c":5,"p_uncorrected":0.00019},{"rep":4,"conform_num":85,"off_num":62,"den":120,"delta_pp":19.17,"b":30,"c":7,"p_uncorrected":0.00019},{"rep":5,"conform_num":82,"off_num":60,"den":116,"delta_pp":18.97,"b":28,"c":6,"p_uncorrected":0.0002,"分母":"complete-case 116（7 列 infra_void 作廢）"}]
R529_CONFORM_vs_OFF_by_set: [{"set":"lcb3_medium","conform_num":125,"off_num":115,"den":135,"delta_pp":7.41,"b":14,"c":4,"p_uncorrected":0.031},{"set":"lcb3_hard","conform_num":41,"off_num":38,"den":54,"delta_pp":5.56,"b":3,"c":0,"p_uncorrected":0.25},{"set":"humanevalplus","conform_num":147,"off_num":129,"den":156,"delta_pp":11.54,"b":21,"c":3,"p_uncorrected":0.00028},{"set":"mbppplus","conform_num":295,"off_num":277,"den":371,"delta_pp":4.85,"b":26,"c":8,"p_uncorrected":0.0029}]
R529_CONFORM_vs_OFF_pooled: {"conform_num":608,"off_num":559,"den":716,"delta_pp":6.84,"b":64,"c":15,"p_uncorrected":2.3e-8}
迴圈再加多少: {"R460R":[5.83,4.17,0.83,2.5,4.31],"R529":[0.74,3.7,0.64,1.08]}
p 全部未校正: 五次 CONFORM−OFF 的 p_raw 全部 < 0.002，但 CONFORM−OFF 不在任何預註冊的 Holm 家族裡 ⇒ 不可讀成「閘門的效果是顯著的」
事後補的四集 Holm（只當描述）: {"humanevalplus":0.0011,"mbppplus":0.0088,"lcb3_medium":0.062,"lcb3_hard":0.25}
不是因果: CONFORM 與 H-MIX 是兩條各自跑的臂，不是兩階段；「閘門 +14pp、迴圈 +6pp」是相減得到的敘述，不是被分離出來的成分

原始紀錄：runs/g_r460r{1,2,3,4,5}_harness_lcb2_*/rows.jsonl；runs/g_r529_*/rows.jsonl

重算方式：分子分母由 rows.jsonl 獨立重算（交付判準＝accepted ∧ meets_demand）；ops/gain/replay/r460r/r460r_analyze_5reps.json

輪次 harness-2026-09-08　·　歸因（**稽核判斷**，非預註冊主指標；CONFORM−OFF 是家族外探索量）　·　型別裁決：held

harness.majority_vote_loses_to_gate同樣五通，投票輸給閘門且貴一倍以上同號未解析增益軸・迴圈

同樣五通呼叫，五份投票取多數（OFF5）**輸給**「跑驗收測資、交第一份通過的」（CONFORM），而且貴一倍以上

依據數值

OFF5_vs_CONFORM_by_rep: [{"rep":1,"off5_num":73,"conform_num":86,"den":120,"delta_pp":-10.83,"b":7,"c":20,"p_uncorrected":0.019},{"rep":2,"off5_num":74,"conform_num":87,"den":120,"delta_pp":-10.83,"b":9,"c":22,"p_uncorrected":0.029},{"rep":3,"off5_num":71,"conform_num":90,"den":120,"delta_pp":-15.83,"b":4,"c":23,"p_uncorrected":0.00031},{"rep":4,"off5_num":80,"conform_num":85,"den":120,"delta_pp":-4.17,"b":12,"c":17,"p_uncorrected":0.458,"共租":"零（1004 獨占三串）"},{"rep":5,"off5_num":80,"conform_num":82,"den":115,"delta_pp":-1.74,"b":11,"c":13,"p_uncorrected":0.839,"分母":"complete-case 115","共租":"零（1004 獨占三串）"}]
同號 5/5: true
未校正 p < 0.05 的次數: 3
乾淨的兩次不顯著: 後端零共租的 r4／r5 恰好是 −4.17／−1.74 那兩次；同期 OFF 掉到 51.67／51.26%、OFF5 升到 66.67／68.64%、CONFORM 幾乎沒動（70.83／70.94%）⇒ 跨次差異裡有一塊不是取樣
但共租解釋不了這個形狀: OFF5 ＝五份 OFF 取多數；OFF 變差的同時 OFF5 好了 7–9pp，方向相反 ⇒「乾淨的兩次不顯著」目前只能當描述，講成「共租讓前三次看起來更誇張」是還沒有證據的因果話
tokens_per_task: {"OFF5":[15565,14877,14954,15226,14163],"CONFORM":[6497,6880,5246,5770,6416],"ratio":[2.4,2.16,2.85,2.64,2.21]}
calls_per_task: {"OFF5":[5.04,5.03,5.03,5.03,5.12],"CONFORM":[1.78,1.71,1.53,1.69,1.79]}
OFF5_vs_OFF_by_rep: [{"rep":1,"delta_pp":3.33,"p_uncorrected":0.58},{"rep":2,"delta_pp":7.5,"p_uncorrected":0.16},{"rep":3,"delta_pp":1.67,"p_uncorrected":0.85},{"rep":4,"delta_pp":15,"p_uncorrected":0.0021},{"rep":5,"delta_pp":16.24,"p_uncorrected":0.00088}]
口徑差異: Fable 摘要寫 token 2.4–2.9 倍；本輪自 calls.jsonl 重算 rep2 是 2.16 倍（analyzer 含 wire_probe、rows 的 harness_tokens_total 不含）。r5 的 2.21 排除了作廢題的呼叫；把作廢題的 47,102 token 算進去（tpc_incl_void）是 2.25——兩個數字不可混用

原始紀錄：runs/g_r460r{1,2,3,4,5}_harness_lcb2_*/rows.jsonl 與 calls.jsonl

重算方式：交付由 rows.jsonl 重算；token／呼叫由 calls.jsonl 的 usage 逐通加總（preflight 另計、未計入；r5 排除作廢題的呼叫）

輪次 harness-2026-09-08　·　量測（**探索量**：OFF5 − CONFORM 不在任何預註冊 Holm 家族裡）　·　型別裁決：unresolved

harness.hpi_hoc_vs_resample_unresolved另外兩條迴圈臂也贏過換人重抽同號未解析增益軸・迴圈

pi 式原始回饋迴圈（H-PI）與計畫＋診斷＋自測（H-OC）也贏過換人重抽

依據數值

R460: {"HPI_vs_CONFORM":{"delta_pp":5,"ci95":[-4.4,13.3],"holm_p_adj":0.345},"HOC_vs_CONFORM":{"delta_pp":9.17,"ci95":[-1,17.62],"holm_p_adj":0.16}}
R460R_vs_CONFORM_by_rep: {"HPI":[{"rep":1,"num":92,"conform_num":86,"den":120,"delta_pp":5,"b":16,"c":10,"holm_p_adj":0.654},{"rep":2,"num":95,"conform_num":87,"den":120,"delta_pp":6.67,"b":19,"c":11,"holm_p_adj":0.602},{"rep":3,"num":91,"conform_num":90,"den":120,"delta_pp":0.83,"b":16,"c":15,"holm_p_adj":1},{"rep":4,"num":97,"conform_num":85,"den":120,"delta_pp":10,"b":20,"c":8,"holm_p_adj":0.107,"ci95":[0.62,17.16],"註":"五次三十格裡唯一未調整下界 > 0 的一格；Holm 後不顯著，且 H-PI 是消融臂 ⇒ 不得替主張"},{"rep":5,"num":83,"conform_num":83,"den":117,"delta_pp":0,"b":14,"c":14,"holm_p_adj":1,"ci95":[-9.26,9.26],"four_state":"RULED_OUT","分母":"complete-case 117","作廢最壞界":[-2.5,2.5],"註":"最壞界會變號 ⇒ RULED_OUT 照規則保留，敏感度必須一起寫"}],"HOC":[{"rep":1,"num":92,"conform_num":86,"den":120,"delta_pp":5,"b":16,"c":10,"holm_p_adj":0.654},{"rep":2,"num":88,"conform_num":87,"den":120,"delta_pp":0.83,"b":13,"c":12,"holm_p_adj":1},{"rep":3,"num":90,"conform_num":90,"den":120,"delta_pp":0,"b":12,"c":12,"holm_p_adj":1},{"rep":4,"num":94,"conform_num":85,"den":120,"delta_pp":7.5,"b":17,"c":8,"holm_p_adj":0.216},{"rep":5,"num":89,"conform_num":83,"den":117,"delta_pp":5.13,"b":15,"c":9,"holm_p_adj":0.922,"分母":"complete-case 117"}]}
十次全部未過 Holm: true
rep3_HOC_與_rep5_HPI_是恰好打平: 12/12 與 14/14，方向沒有翻負；不准讀成「證實無效」
對單發則五次全顯著: {"HPI":[19.17,25,18.33,29.17,19.33],"HOC":[19.17,19.17,17.5,26.67,24.37]}

原始紀錄：runs/g_r460_harness_lcb2_*/rows.jsonl；runs/g_r460r{1,2,3,4,5}_harness_lcb2_*/rows.jsonl

重算方式：ops/gain/replay/r460/r460_analyze.json · decision.HPI / decision.HOC；ops/gain/replay/r460r/r460r_analyze_5reps.json；R460R 五次由 rows.jsonl 獨立重算（r5 用 complete-case 分母 117）

輪次 harness-2026-09-08　·　量測（R460 的另外兩條 harness 臂＋ R460R **五次**同題複製）　·　型別裁決：unresolved

harness.gain_is_the_loop_not_the_prompt增益幾乎全來自迴圈不是 prompt 措辭成立增益軸・迴圈

H-MIX 的增益幾乎全來自「把失敗原文貼回去讓它改」的迴圈，不是第一輪 prompt 的措辭

依據數值

HMIX: {"loop_effect_pp_replays":[19.17,17.5],"prompt_effect_pp_replays":[6.67,8.33],"loop_gain_n":21,"turn1_visible_pass_pp":74.2}

原始紀錄：runs/g_r460_harness_lcb2_*/calls.jsonl（turn-1 全文回應）＋ rows.jsonl

重算方式：ops/gain/analyze_r460.py --rescore-turn1；ops/gain/replay/r460/r460_analyze.json · attribution.*

輪次 harness-2026-09-08　·　歸因（D5：turn-1 離線重取碼再計分，零模型呼叫）　·　型別裁決：held

zero.dabstep_paid_no_difference零設定對 DABstep：兩個模型都沒量到差別無可分辨差異repo 裁決增益軸

在 DABstep 付費正式批次上，裝了零設定 Vacant 的 agent 答對率沒有量到比沒裝的高：gemma-4-26b 50/77 對 44/77（p=0.21）、qwen3.8-27b 68/77 對 64/77（p=0.29）。

更正後

照預註冊的說法是「沒有量到差別」，不是「沒有效果」。原文：「不說『沒有效果』，也不說『變差』」。

依據數值

gemma 沒裝: 50 / 77 題對（64.9%）
gemma 裝了: 44 / 77 題對（57.1%）
gemma p: McNemar 精確雙尾 p=0.21
qwen 沒裝: 68 / 77 題對（88.3%）
qwen 裝了: 64 / 77 題對（83.1%）
qwen p: p=0.29
分母: 77 題不重複 DABstep，每題每組一跑

原始紀錄：Vacant repo：docs/ZERO_CONFIG_EVAL_REPORT_2026-09-26.md:150-153

重算方式：讀該 repo 的 ops/eval/evidence_20260925/ 索引；原始請求與回應本文都在

先行研究

這一輪的結果和過去的資料不矛盾，因為過去沒有量過完全一樣的設定。

輪次 zero-2026-09-25　·　實驗結果　·　型別裁決：no_effect

zero.dabstep_paid_rejects_all_false那一輪 8 次退回全部是誤報推翻repo 裁決增益軸・迴圈

零設定在 DABstep 付費批次觸發的 8 次退回，修正後全部都不會發生——158 跑一次都不會退回，也就是修好之後 C 等於 A，不幫忙也不傷害。

更正後

結論檔原本寫 7 次，獨立重算後更正為 8 次。

依據數值

退回次數: 8 次（分母是 158 跑：gemma 79＋qwen 79）
實際誤報率: gemma 6/37（16%）、qwen 1/64（2%），分母是第一次走到交件前檢查且當時答案為對的跑數
傷害: 0 次（沒有任何一次是把對的答案改錯）

原始紀錄：Vacant repo：docs/ZERO_CONFIG_EVAL_REPORT_2026-09-26.md:157、219-220

輪次 zero-2026-09-25　·　機制缺陷　·　型別裁決：refuted

zero.local711_p021_thin本機 711 格批次 p=0.021，但差別集中在 6 題說太滿repo 裁決增益軸

零設定 v3 在本機 711 格批次對沒裝的預註冊主要檢定 p=0.0207，但作者自己寫明顯著性很薄：6 題全拿掉之後平均差 0.009、p=0.80；兩跑的結果翻過來 p 就超過 0.05。

更正後

任何引用這個 p 值的句子都必須同時說出「集中在 6 題」與「6 題全拿掉 p=0.80」。原文：「顯著性很薄：兩跑的結果翻過來、或拿掉那 6 題裡的任兩題，p 就會超過 0.05。不外推到別的模型、別的題庫、沒有上限的使用。」

依據數值

主要檢定: Wilcoxon 精確 p=0.0207（報 0.021）
平均差: +0.074（約 +7.4 pp），bootstrap 95% CI 0.017–0.139
方向: 15 題較好、7 題較差、55 題一樣；符號檢定 p=0.13
敏感性: 拿掉 6 個大差中任兩題 ⇒ p≥0.05；6 題全拿掉 ⇒ 平均差 0.009、p=0.80
分母: 77 題 × 3 次（原設計 711 格＝79 題 × 三組 × 3 次）

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260926_ZERO_CONFIG_V3_LOCAL.md:10-15、38-39

重算方式：該 repo 的分析腳本；量具本身也修過（浮點同分誤判，0.0189 修成 0.0207）

先行研究

v3 是看過上一輪同一批 77 題的紀錄之後設計的，題目與規則不是獨立的；人類沒有逐條簽這份預註冊。

輪次 zero-2026-09-26　·　實驗結果　·　型別裁決：overstated

zero.v3_3_never_firedv3-3「只剩一回合只退回缺檔」一次都沒觸發推翻repo 裁決增益軸・迴圈

v3-3 這條機制在本機 150 次走到交件前檢查中一次都沒有觸發，沒有可觀察的貢獻。

依據數值

分母: C2 全部 150 次走到交件前檢查
觸發次數: 0 次
原因: 沒有交件前檢查發生在第 14 回合以後

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260926_ZERO_CONFIG_V3_LOCAL.md:55

輪次 zero-2026-09-26　·　機制缺陷　·　型別裁決：refuted

zero.colab920_no_difference零設定對 Colab 920 題程式庫沒量到差別無可分辨差異repo 裁決增益軸

在 Colab 五組程式題庫 920 題上，裝了 v3.6.1 的 agent 答對率沒有量到比沒裝的高：748/920（81.3%）對 758/920（82.4%），p=0.387。

更正後

作者可用的說法是：「在這 920 題、Colab 上的 gemma-4-12b（關思考）、pi 0.87.1、不設回合上限下，只多打使用者的安裝指令，答對率沒有量到差別。」

依據數值

沒裝: 748 / 920（81.3%）
裝了: 758 / 920（82.4%）
p: McNemar 精確雙尾 p=0.387
分母: 920 題 × 2 組＝1,840 格，3 題具名排除

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260928_COLAB_C5_PI_VACANT361.md:8、37-39

輪次 zero-2026-09-27　·　實驗結果　·　型別裁決：no_effect

zero.colab920_rejects_96pct_false920 題批次上 96% 的退回是誤退推翻repo 裁決增益軸・迴圈

v3.6.1 在程式題上的退回 96% 是誤退：472 次退回裡 455 次是因為它只認 pytest 與 python -m unittest，不認 agent 實際跑過的 sh run_tests.sh。

依據數值

退回次數: 472 次（分母是次數，不是跑數）
誤退: test_claim/none 455 次
其他: failed_step 21、unsourced 1、missing_output 0 次
分母（另一個）: C 組 920 格中 858 格走到交件前檢查、309 格被退回
代價: 誤退沒有看得出來的傷害，但多花約 12% 的模型呼叫

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260928_COLAB_C5_PI_VACANT361.md:57、61-64

輪次 zero-2026-09-27　·　機制缺陷　·　型別裁決：refuted

zero.u274_no_differenceu274 預註冊批次：9 對 10，沒有量到差別無可分辨差異repo 裁決增益軸

在 274 題依種子順序的前 100 題（全 hard、沒用過）上，沒裝 9/100 答對、裝了 v3.6.1 10/100 答對，McNemar 精確雙尾 p=1.0，沒有量到差別。

更正後

原文：「不說『沒有效果』……就算 7 對全是 C 單獨對，p 也只有 0.016；6 比 1 是 0.125。這一批只看得到非常大的差。」

依據數值

沒裝: 9 / 100 題對
裝了: 10 / 100 題對
配對: A對∩C對=6、A對∩C錯=3、A錯∩C對=4、A錯∩C錯=87
p: McNemar 精確雙尾 p=1.0
時限: 200 跑裡 116 跑碰到 1800 秒時限

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260928_NOCAP_UNSEEN_U274.md:13-15、19-22

重算方式：該 repo 記錄三方獨立重算一致

輪次 zero-2026-09-28　·　實驗結果　·　型別裁決：no_effect

zero.u274_missing_file_returns_all_wrongu274 的缺檔退回 31 跑，之後沒有任何一跑答對推翻repo 裁決增益軸・迴圈

u274 批次裡缺檔退回觸發 31 跑（共 37 次），這 31 跑最後沒有一跑答對——17 錯、14 還是沒交。C 多交的答案檔都錯，也多撞 18 次時限。

依據數值

被退回: 31 跑（共 37 次；6 跑退了兩次）
之後結果: 0 對、17 錯、14 還是沒檔
觸發原因: 15 跑是 agent 說做完卻沒檔；16 跑是模型那一側出錯結束回合被叫回來（15 跑 failed to decode、1 跑 Stream ended without finish_reason）
時限: 1800 秒時限 A 49 跑、C 67 跑（C 多 18）
傷害: 0 次

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20260928_NOCAP_UNSEEN_U274.md:37-42

輪次 zero-2026-09-28　·　機制缺陷　·　型別裁決：refuted

zero.v37_fixes_three_defectsv3.7 修掉三個缺陷，退回從 309 降到 29成立repo 裁決增益軸・迴圈

v3.7 修掉三個缺陷：認任意測試腳本（不只 pytest）、交付物也從人要 agent 照著做的說明檔認、模型錯誤結束的回合一律不退回。在 Colab 920 題批次上第一次就退回的跑數從 309 降到 29。

更正後

v3.7 對答對率的上限作者自己寫明很小：「Colab 新增的 10 跑缺檔退回就算全部救回也是 920 題裡 +10 題。」原文標題就是「預期（寫明，不是檢定）」。

依據數值

Colab（858 跑有檢查）: v3.6.1 第一次就退回 309 跑 → v3.7 29 跑
u274（51 跑）: 36 跑 → 20 跑
S36-nocap（65 跑）: 12 跑 → 12 跑（不變）
R530 SOLO（59 格）: 35 格 → 32 格（全對的 6 格 → 4 格）；退回裡真的有問題的比例 0.83 → 0.875
對抗審查: 20 條都重現，會在日常使用誤退的全部修掉；回歸測試 31 條
離線保真: v3.6.1 重算 Colab 1327/1327、u274 81/81、S36-nocap 80/80 次檢查全部對齊

原始紀錄：Vacant repo：decisions/DECISION_20260926_ZERO_CONFIG_V3.md:151-178

輪次 zero-2026-09-28　·　機制修正　·　型別裁決：held

zero.v37_colab_p0028v3.7 在 Colab 上量到 +11.3 pp（p=0.0028）成立repo 裁決增益軸

v3.7 在 Colab 的 DABstep 711 格批次上量到比沒裝的高：A 97/231（42.0%）、C37 123/231（53.2%）、C37R 139/231（60.2%）；主要檢定 C37−A 平均差 +11.3 pp，p=0.0028。

更正後

作者明講不能講成「v3.7 比之前的版本好」，能說的是：「在這個環境裡，『說做完卻沒寫要求的檔』常見，而零設定的 missing_output 退回能把它救回來。」沒裝的 agent 說完卻沒寫有 42/231 格。

依據數值

A 沒裝: 97 / 231（42.0%）
C37 裝了: 123 / 231（53.2%）
C37R: 139 / 231（60.2%）
C37−A: +11.3 pp（C37 好 26 題、A 好 12 題），p=0.0028
C37R−A: +18.2 pp（34 對 7），p=3.1e-5，Holm 6.3e-5
傷害: 0 次
分母: 231 格／組；79 題 × 3 次
答案檔對的比例: A 81.5%、C37 76.4%、C37R 65.9%（交出去變多，其中對的比例下降）

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20261002_COLAB_DABSTEP_V37.md:9、15-20

輪次 zero-2026-10-02　·　實驗結果　·　型別裁決：held

zero.v37_gguf_not_replicated同一個 v3.7 換成 GGUF 後端就沒有複製出來推翻repo 裁決增益軸

在 vacant-dev 複製（LM Studio GGUF、gemma-4-12b、15 回合上限）上，同一個 v3.7 的主要檢定不顯著：C37−A −0.4 pp，p=0.84。Colab 那個 p=0.0028 沒有複製出來。

更正後

作者對照組的結論：「一個引擎有、一個沒有」——不能宣稱「零設定 v3.7 讓 agent 做得更好」。機制差異：GGUF 上退回要用回合，被 15 回合切斷的從 59 升到 74，淨效果約 0；Colab 補回的量大於被切掉的量。作者歸因：「Colab 那個 p=0.0028 主要是那個推論引擎讓沒裝的 agent 更常漏寫檔。」

依據數值

A 沒裝: 122 / 231（52.8%）
C37: 121 / 231（52.4%）
C37R: 146 / 231（63.2%）
C37−A: −0.4 pp（C37 好 11 題、A 好 13 題），精確 p=0.84
C37R−A: +10.4 pp（21 對 7），p=0.0051
分母: 231 格／組；79 題 × 3 次

原始紀錄：Vacant repo（docs/gguf-replication-results 分支，2026-10-03 時尚未併入 main）：decisions/conclusions/CONCLUSION_20261003_VACANTDEV_DABSTEP_V37.md:9-21、28-34

輪次 zero-2026-10-03　·　實驗結果　·　型別裁決：refuted

zero.task3_no_difference任務導向三題庫 94 題沒量到差別無可分辨差異repo 裁決增益軸

在任務導向三題庫 94 題、Colab、不設回合上限下，v3.7 沒有量到差別：A 136/188（72.3%）對 C37 141/188（75.0%），Wilcoxon p=0.36。

更正後

作者的跨批次總結：「DABstep 15 回合、A 有 18%『說完卻沒寫』就量得到差；任務導向三庫 A 只有 5/120（4%）就量不到。錯在決定、或被時限切斷的，零設定本來就看不到。」

依據數值

A: 136 / 188（72.3%）
C37: 141 / 188（75.0%）
p: Wilcoxon p=0.36
分題庫: DABench 85.0%→88.3%、DataBench 80.0%→86.7%、Polyglot Python 54.4%→52.9%
傷害: 0 次
分母: 188 格＝94 題 × 2 次

原始紀錄：Vacant repo：decisions/conclusions/CONCLUSION_20261002_COLAB_TASK3_V37.md:20-24

輪次 zero-2026-10-02　·　實驗結果　·　型別裁決：no_effect

zero.reminder_default_off回合預算提醒預設關，因為它多交的答案錯多於對成立repo 裁決增益軸

從 v3.6 起回合預算提醒預設關閉，要的人自己加 --budget-reminder。理由是提醒讓答對率從 51.9% 升到 59.3%，但多交出來的答案錯多於對。

更正後

作者的理由原文：「對一個不看評分的人，多一個沒有根據的答案不是改善。」

依據數值

答對率: A 51.9% → C2 59.3%（本機 09-26 正式批次，每組 77 題 × 3 次）
答案檔對的比例: 約 82% → 65%（同一批；裁決文件 §十原文，未附分母）
同方向再出現一次: Colab 10-02 v3.7 批：A 97／119＝81.5%、C37 123／161＝76.4%、C37R（開提醒）139／211＝65.9%。分母是該批各組有答案檔的格數，不是上一行那一批的

原始紀錄：Vacant repo：decisions/DECISION_20260926_ZERO_CONFIG_V3.md:139-146；decisions/conclusions/CONCLUSION_20261002_COLAB_DABSTEP_V37.md:43

輪次 zero-2026-09-27　·　設計決策　·　型別裁決：held

zero.not_contradicts_past零設定的否定結果與過去的資料不矛盾成立repo 裁決增益軸

零設定三個批次的否定結果與過去量到的增益不矛盾，因為過去沒有量過完全一樣的設定。過去有增益的都是 Vacant 自己握著生成的機制。

更正後

作者明令不可以說「和過去的資料完全一致」或「過去的資料預測了這個結果」——只能說不矛盾。

依據數值

零設定 C 組缺的零件: 沒有測資可以跑（DABstep 的答案沒有可見測資）、不重抽、不拒交——三個零件一個都沒有
過去有增益的機制: 可執行的驗收＋重抽＋拒交，全部是 Vacant 自己握著生成

原始紀錄：Vacant repo：docs/ZERO_CONFIG_EVAL_REPORT_2026-09-26.md:25、273-276、279-281、384

輪次 zero-2026-09-26　·　口徑　·　型別裁決：held

trace.two_layer_attribution追緝分兩層：只有事實層能接後果成立repo 裁決防守軸

每一個追緝結論分兩層：事實層（重跑翻轉、自稱成功但指令失敗、違反禁止項）才可以接信譽後果；推論層（「第 k 步造成」「讀到壞輸入」）只進報告。

更正後

誠實邊界原文：「『可證明』的意思是這個驗證器在重建狀態上翻轉；驗證器本身可能錯，所以人可以撤銷。」

依據數值

層數: 2 層（事實層／推論層）
五個等級: provable → record_review(0, weight=1.0) 且不 slash；lineage_exact → 來源記一筆計數；lineage_internal → 往上追到產生它的那一步；heuristic → 只報告；gap → 不動任何人
provable 的三個必要條件: 在重建狀態上重跑、恰好在這一步由過轉不過、錯的值不在任何釘住的輸入或觀察到的讀取裡

原始紀錄：Vacant repo：decisions/DECISION_20260924_ACCOUNTABLE_TRACE.md:141-145

輪次 trace-2026-09-24　·　設計　·　型別裁決：held

trace.lfake_attribution_correct追緝端到端歸因正確 33/33、25/25、16/16成立repo 裁決防守軸

四個真 agent 端到端跑八個埋錯情境，歸因正確（狀態／類別／等級／指到的步驟／來源都對）33/33；同一批情境走 vacant do 是 25/25；真互動 TUI 是 16/16。

更正後

這是 L-fake：「模型是照劇本回答的假上游，沒有真模型、沒有 API 金鑰。」它證明歸因機制正確，不證明真模型下產出會更接近需求。

依據數值

原生掛鉤: 33/33（四個 agent × 八情境，G 僅 Claude Code 1/1）
vacant do: 25/25（D、H 不跑）
真互動 TUI: 16/16（含多回合 M 4/4 真的用完輪數）
每次掛鉤額外時間: p95 6.3–13.3 ms（小工作區）／6.7–12.6 ms（TUI 批）
病歷簽章鏈驗得過: 33/33、25/25、16/16

原始紀錄：Vacant repo：ops/accountability/evidence_20260924/README.md:3-87

輪次 trace-2026-09-24　·　機制證據　·　型別裁決：held

trace.feedback_never_names_actor給 agent 的回饋裡從來沒有行動者識別成立repo 裁決防守軸

三張端到端表裡，給 agent 的回饋中都沒有出現行動者識別：原生 0/33、vacant do 0/25、TUI 0/16。咎責對象是步驟與行動者，但回饋只給人看。

更正後

這是設計上的界線不是缺陷：讀取覆蓋是下限，「沒找到來源」永遠不可以單獨推出「agent 的錯」，每份報告帶三態 read_coverage。

依據數值

回饋含行動者識別: 原生 0/33、vacant do 0/25、TUI 0/16
有位置的回饋出現在模型請求裡: vacant do 25/25（TUI 批 16/16，OpenCode 的互動 TUI 也有）

原始紀錄：Vacant repo：ops/accountability/evidence_20260924/README.md:8-87

輪次 trace-2026-09-24　·　誠實邊界　·　型別裁決：held

trace.review47_and_boundaries追緝線的 47 條對抗審查與七條誠實邊界成立repo 裁決防守軸

追緝線做過五個鏡頭 47 條對抗審查，46 條成立、1 條判為既有誠實邊界但照樣收緊，並列七條誠實邊界，其中三句明令不准說。

更正後

誠實邊界 1：竄改可察覺，不是不可能——鏈是本機金鑰簽的，本機 root 可以重簽整條。誠實邊界 5：平行步驟只能歸其中之一。

依據數值

審查: 47 條，46 條成立、1 條判為既有誠實邊界但收緊；其中 6 條改變了設計
不准說的三句: 「Vacant 抓出所有錯」「追緝一定正確」「agent 繞不過」
可用的說法: 在有紀錄的步驟裡，這個檢查在第 k 步由過轉不過，而第 k 步是 X 做的；證據可重跑
同層審查: 尺度審查 8 條、抓網頁指令審查 12 條、回合數／TUI 審查 15 條中 12 條成立

原始紀錄：Vacant repo：decisions/DECISION_20260924_ACCOUNTABLE_TRACE.md:180-205

輪次 trace-2026-09-24　·　審查　·　型別裁決：held

trace.scale_perf四萬檔的第一次掃描要 5.7 秒，之後每次掛鉤 557 毫秒成立repo 裁決增益軸・迴圈

追緝掃整個工作區（增量）在 4 核本機上可撐住掛鉤的 30 秒上限：4 萬檔第一次掃描 5.7 秒，之後每次掛鉤 p50 557 ms、p95 597 ms，Stop 端到端 1.9 秒。

更正後

作者自述的界線：「檔案都很小；本機磁碟、快取是熱的，網路檔案系統會更慢；4 萬檔的第一次掃描貼著 8 秒的時限，換一台慢一點的機器就會改到背景」。超過 5 萬檔就不再逐步掃描，追緝一律標為 UNOBSERVED。

依據數值

100 檔: 第一次 0.17 s，之後 136/166 ms，Stop 0.17 s
1,000 檔: 第一次 0.29 s，之後 144/194 ms，Stop 0.26 s
10,000 檔: 第一次 3.1 s，之後 230/325 ms，Stop 0.56 s
40,000 檔: 第一次 5.7 s，之後 557/597 ms，Stop 1.9 s
60,000 檔: 第一次 8.3 s（改到背景；背景看不完 ⇒ 關掉），之後 135/227 ms，Stop 2.1 s
差異索引: 每一步 0.9 KB（原本 4 萬檔要 4.9 MB）

原始紀錄：Vacant repo：decisions/DECISION_20260924_ACCOUNTABLE_TRACE.md:236-244

輪次 trace-2026-09-24　·　效能量測　·　型別裁決：held

tui.seven_measurement_errors互動式 A/B harness 的七個量測錯誤，方向都讓數字長得比實際好看成立repo 裁決增益軸・迴圈

互動式 TUI 的 A/B harness 有七個量測錯誤，每一個都在真 pi 0.87.1 上抓到，而且每一個的方向都是讓數字長得比實際好看。

更正後

全部已修，並為五種真實 pane 形狀加了測試（多輪最後通過／單輪拒絕／多輪最後拒絕／infra_void／無閘門）。

依據數值

1 arm A 跑到別的模型: 只複製 models.json 不會讓 pi 選那個 provider，實測落到 openrouter／moonshotai/kimi-k2.6，而且沒有一個 byte 經過這一跑的 proxy——arm A 把「模型失敗」記成「agent 失敗」
2 settle 認錯信號: arm C 第一輪橫幅一出現就回報 settled 再殺 session，快照抓到第二輪還在想（token 凍結在 ↑5.9k ↓79）
3 只讀可見高度: 約 50 行 vs 完整 scrollback 4000 行，而早先的裁決正好捲出畫面
4 把前言當成裁決: 閘門先印的『驗收來源…快照 sha256』與裁決同一個開頭但沒有裁決，於是每一格回來都是 gate_accepted: null
5 infra_void 被記成拒交: bool(None) 把『閘門沒有裁決』歸檔成『裁決拒絕』
6 同一筆記錄兩個欄位互相矛盾: 最後一輪是 2/2 的格報 1/2
7 停滯被算成 agent 失敗: 模型呼叫不存在的工具 ls_r、退回 shell 就不再產出，而 backend 本身健康
額外 2 條: arm A 的 8 格全部整輪停在 0.0%，提示從未被送出卻被記成 settled＋hidden_pass: false——8 個捏造的結果；Enter 掉了 6 格

原始紀錄：Vacant repo：ab_harness/tui_ab.py:104-427、ab_harness/tui.sh:37-60

輪次 tui-2026-09-30　·　量測工具缺陷　·　型別裁決：held

pi.possess_three_defectspi extension 缺三樣東西，裝了等於沒裝推翻repo 裁決增益軸・迴圈

pi 互動模式的 extension 有三個缺陷，其中兩個讓它完全不能用：安裝報成功但每一通都 sink、模型 id 對不上實際送出的。

更正後

真機實測中 accept 腿未驗證：agent 沒寫出檔案是因為 OpenRouter 免費層每日 1000 請求用盡，不是機制的問題。

依據數值

缺陷 1: install() 沒傳 upstreams／models／python，渲染出 KEY_FROM="" 與 UPSTREAM=""——proxy 起來了但每一通都 502 unspecified_upstream_sink，沒有任何錯誤訊息指出原因
缺陷 2: wire_pi 沒把模型偏好烤進 default_model，DEFAULT_MODEL 恆為 gemma-4-12b-it-qat，上游是別的模型時每一通 404，畫面上的模型名與實際送出的對不上
缺陷 3: install 時的啟動探測沿用當下的 os.environ，從非登入 shell 跑會讓 node 解析到 18 而判定 pi 起不來

原始紀錄：Vacant repo：commit ad1282fe（2026-09-29）

輪次 possess-2026-09-29　·　產品缺陷　·　型別裁決：refuted

opencode.w2_silent_noopopencode 沒有 stop 事件：37 個 step 的完整病歷、零個裁決推翻repo 裁決增益軸・迴圈

opencode 的 plugin 沒有註冊 stop 事件，導致回合結束檢查不可達：一格實測記下 37 個 step 的完整簽章病歷、零個裁決、沒有 delivery.md。作者說這比不做更危險，因為鏈看起來是對的。

更正後

W1 與 W2 是同一個設計錯誤：都在把裁決點放進 agent 行程裡，平台不配合時整條路徑不是「效果較小」而是靜默無效。作者的裁決是把迴圈從掛鉤搬到父行程。

依據數值

事件統計: trace_genesis 1、prompt 3、session_seen 2、step 37、session_closed 3、unrecorded_change 1
stop／finding／feedback 事件: 0
delivery.md／delivery.json: 不存在
分母: 37 個 step、3 個 session

原始紀錄：Vacant repo：decisions/conclusions/FINDINGS_20260929_NATIVE_PLATFORM_WAVE1.md:54-74

輪次 loop-2026-09-29　·　產品缺陷　·　型別裁決：refuted

wave1.unresolved原生平台 wave 1：同號未解析，不是負結果同號未解析repo 裁決增益軸・迴圈

原生平台 wave 1（20 題 × 三臂）配對 McNemar 的 discordant 只有 2 對，p=0.50，作者記為 unresolved——不是負結果也不是正結果。

更正後

作者寫明不能宣稱效果的五條理由，其中兩條是結構性的：免費模型每日 1000 請求在批次中途用盡，任何跨 arm 的差異都不可歸因給 Vacant；wave 1 是天花板效應（沒裝的 A 臂 95.0% 隱藏檢查全對，閘門能改善的空間是 0）。

依據數值

A plain: 隱藏檢查全對 19/20（95.0%），交付 20/20，拒交 0
B zero-cfg: 17/20（85.0%），交付 19/20，拒交 1
C bridge: 17/20（85.0%），交付 17/20，拒交 3
A 對 B: discordant 2 對，p=0.50 → unresolved
分母: 20 題

原始紀錄：Vacant repo：decisions/conclusions/FINDINGS_20260929_NATIVE_PLATFORM_WAVE1.md:18-24

輪次 loop-2026-09-29　·　實驗結果　·　型別裁決：unresolved

intake.five_silent_defects通用收件口端到端量出五件『會讓人以為成立、其實不成立』的缺陷推翻repo 裁決增益軸・迴圈

通用收件口的端到端量出五件缺陷，其中兩件是單元測試抓不到的：Codex 會拒絕啟動、OpenCode 的加法層讓使用者的全域規則安靜地從提示裡消失。

更正後

文字更正：AGENTS.md／README×3 的 "tamper_proof": true 改為 false＋tamper_evident: true（簽章金鑰是同一帳號下的明文檔）。惡意候選碼與 driver 同直譯器、nonce 在 argv 這一類不宣稱修掉——「這層防意外，不防惡意」。

依據數值

1: 掛鉤先寫帳本時建了 verifier 金鑰卻沒登記信任，收件端正確地拒絕放行
2: vacant do 的隔離工作區放在 $VACANT_HOME 底下，pi 的全域 extension 正確地擋下寫入
3: Codex 常駐安裝用 profile = "vacant"，0.156.1 視為遺留鍵而拒絕啟動——一個會讓 agent 起不來的安裝比沒裝更糟
4: OpenCode 用 OPENCODE_CONFIG_DIR 當每一跑的加法層，同時改掉全域 AGENTS.md 的讀取位置，使用者的全域規則安靜地從提示裡消失
5: 常駐安裝還在時 vacant do 又注入一份，同一事件跑兩次
單元測試: 177 條全部離線零模型
對抗審查: 60 條裡會讓不合格版本進目的端或紀錄說錯話的全部修掉；另有 7 條明講不修

原始紀錄：Vacant repo：decisions/DECISION_20260924_UNIVERSAL_INTAKE.md:74-89

輪次 intake-2026-09-24　·　產品缺陷　·　型別裁決：refuted

#裁決集中在哪些地方

這一節只整理專題正式索引的 34 條（下面括號裡的條數都以這 34 條為分母）。repo 裁決的 24 條在上面的完整帳本裡，用篩選列切「軸」或「裁決」就看得到。

#推翻（34 條中 6 條）——全在防守軸與「等預算」

ID	宣稱	為什麼被推翻
`pulse.crossover`	盲區高過 0.5–0.75 後脈衝不如持續作惡	配對差 −0.57，95% CI 跨 0；實測 pulse 在盲區 1.0 得手 81/84/87，全部高過 patient 的 79
`pulse.audit_cannot_close_blindspot`	加大稽核救不回有盲區的情況	盲區 0.5 時稽核 0.1→1.0 使總得手降 82%，Wilcoxon p=5.5e-6
`pulse.crude_wins_under_blindspot`	等預算下 crude 勝過脈衝	E19 從來不是等預算比較；實際作惡 11.97 vs 4.87。正確綁在 budget=2：1.67 vs 0.97，p=0.0015
`gain.equal_budget_on_beats_off5`	等預算下 Vacant 贏過五次取多數	完整配對 p=0.4531；難題子集 p=1.0
`gain.ceiling_hypothesis`	換弱模型就會顯出增益	OFF 失敗率 25.5%→31.8%，增益仍未出現；ON vs OFF5 p=1.0000
`gain.hard_bench_hypothesis`	換難題庫就會顯出增益	題庫確實更難（48.4% vs 31.8%），ON vs OFF5 p=0.4244

#說太滿（34 條中 4 條）

ID	問題
`pulse.timing_minor`	「只差 1.81 倍」是聚合量。拆開：曝光跨 6.06 倍、效率跨 8.45 倍，反向抵消。檢定力只有 25%
`pulse.blindspot_dominates`	幾乎全靠退化的端點 blind=1.0 撐著。交互作用 η² = 0.264，是主效應的 4 倍
`pulse.starvation`	「永久除名」混雜了同一格裡 14 個未被抓種子的巧合。slash 0.9 在第 177 輪就回來了
`gain.clean_dataset`	「第一個乾淨的完整資料集」要改成「無已知 bug 汙染、配對子集 n=101」。ON 臂 void 率 36.9%

#同號未解析（34 條中 4 條）

這四條最容易被誤讀成「沒有差異」。它們的正確讀法是：預註冊的規則一個狀態都沒觸發，所以沒量出來。

ID	宣稱	為什麼沒量出來
`harness.hmix_loop_beats_resample_same_budget`	修訂迴圈比換人重抽多交付且不多花 token	0/5 通過 Holm；五個區間全部與 R460 相交
`gain.conform_vs_off5_unresolved`	閘門在交付準確率上贏過多數決	MDE@371 = 4.31 pp；80% 檢定力需約 491 對，但題庫只有 378
`harness.majority_vote_loses_to_gate`	同樣五通，投票輸給閘門且貴一倍以上	探索量，不在任何預註冊家族；3/5 未校正顯著
`harness.hpi_hoc_vs_resample_unresolved`	另外兩條迴圈臂也贏過換人重抽	10/10 格未過 Holm

#無可分辨差異（34 條中 1 條）

gain.arms_differ：三臂的交付品質有可分辨差異。兩種口徑都不顯著，而且修掉一個無關的 typing bug 就讓點估計翻轉。

#已成立（34 條中 13 條）裡最硬的四條

ID	為什麼硬
`harness.loop_beats_single_shot_replicated`	15/15 格全部通過自己的 Holm，跨五次複製、跨四個互斥題目集
`gain.gate_rule_beats_majority_vote_same_candidates`	同一組候選、同樣五通呼叫——預算與候選都對齊了
`gain.lossless_visible_filter`	六個資料集、2,389 個候選，零個「隱藏會過但可見不過」
`peerexec.mutual_execution_below_threshold`	說謊者 273/273 被指名、誠實者 0/1,840 被誣告、5,519 條證言 0 次簽章失敗

#這張表不做的事

它不評價這個專題好不好。它只記錄「哪句話到今天為止站得住」。
它不把未複驗當通過。6 條未複驗就是未複驗。
它不合併、不平均、不挑一次來報。禁用清單見五次複製那一篇

#接下來

每個數字怎麼重跑：重跑方式
這張表的方法學前提：實驗方法與裁決值
逐條的完整故事：實驗筆記