tb-v2-selfctx CLM L2: 56/89 · 0.629
CLM Context-as-File L2 全量验证失败沉淀报告：-9pts（对照 tb-v3 64/89 · 0.719）。机制健康，输在压缩保真度 + 任务不匹配。已 revert（57b5e6e / revert 5a752a5）。
总体：-9pts，翻转明细
对照组 tb-v3 与实验组 tb-v2-selfctx 同模型（flash 虽轻量但公开评测显著强于 Qwen3.6-27B，本次结论不受“模型太弱”影响）。Clean-room：仅借鉴 CLM 论文思想，未拷贝 context-language-models（CC BY-NC 4.0）任何代码 / 文本 / 格式。
| tb-v3（对照） | tb-v2-selfctx | |
|---|---|---|
| mean reward | 0.719（64/89） | 0.629（56/89） |
| AgentTimeoutError | 12 | 5 |
| 纯失败（reward=0，无异常） | 13 | 28 |
| llm.start 总数 / 中位 | 4256 / 40 | 5255 / 45 |
| llm>100 的长尾 trial | 12 | 24 |
| 跑满 ≥115 iters 的 trial | 3（extract-moves-from-video 121、qemu 121、install 116） | 18（含 build-cython-ext、caffe-cifar-10、filter、fix-ocaml-gc、git-multibranch 等 15 个 121 跑满） |
丢 15（lost）
得 7（gained）
机制侧：L2 实现本身是健康的（非实现 bug）
自研过程曾抓到并修复过一个真 bug（workspace 文件滞后被误判为模型编辑，导致 syncs≈tools 自激振荡；修法：turn-start render 基线 + metadata 剥离 + stale-file section-prefix guard + receipt view-only，回归测试覆盖）。修复后的 full suite 数据证明机制健康。
丢分归因（以 trace + verifier 产物为准）
方法：逐个检查 15 个丢失任务的 <trial>/result.json（verifier_result.rewards.reward、exception_info）、trace 的 verification.passed/failed 事件、verifier/test-stdout.txt 尾部断言。结论先行：14 个正常结束的丢失任务里，没有一例是 harness submit 校验误杀 —— harness 的 submit 门（verification.passed）与 benchmark 的 reward 判定（verifier 容器内跑测试）是两套独立判定。报告初版“压缩洗掉 evidence 导致 submit grounding 不过”的说法是错的，特此收回。
2.1 · submit 通过、但 benchmark 判 0（8 个：真实任务失败，与 harness 无关）
这 8 个 trace 里都有 verification.passed（submit 门已过），reward=0 来自 verifier 容器内测试断言失败：
| 任务 | verifier 结果（test-stdout 尾部） |
|---|---|
| bn-fit-modify | 7 passed / 2 failed：学到的 DAG 结构断言挂 · 0 syncs |
| dna-insert | 引物 Tm 差 7.95 > 5（assert abs(fwd_tm − rev_tm) ≤ 5） |
| feal-differential-cryptanalysis | attack.py: ValueError: no key5 candidate consistent · 0 syncs |
| mcmc-sampling-stan | 5 passed / 1 failed（hierarchical model 未实现） |
| mteb-retrieve | result.txt 写成 HumanEval 那行，期望 MTEB 行（见 2.4 单例） |
| sanitize-git-repo | 2 passed / 1 failed（secret 替换断言挂） |
| torch-pipeline-parallelism | 2 passed / 2 failed（rank 微差 0.0417） · 0 syncs |
| winning-avg-corewars | 2/5 对手达标（stone 54% < 75% 等） · 0 syncs |
2.2 · 从没 submit、跑满 121 iterations（6 个：没做出来，不是被 harness 卡住）
trace 最后一条全是 verification.failed missing=['submit_result'] / budget exhausted without a valid submit_result call。harness 只要求“调一次 submit_result 即可交卷”，是模型自己 121 轮都没调。这 6 个与“高频大压缩 + 跑满”高度重合（fix-ocaml-gc 15 syncs / maxcut 87%，llm-scheduler 14 syncs，mteb-leaderboard 6 syncs，filter 10 syncs），但因果只能说“相关”（见 2.4 仅有的单例实锤），不能说“压缩导致交不了卷”。
2.3 · 超时类（1 个）
financial-document-processor（AgentTimeoutError）。两组各有超时，属环境 / 网关抖动。（selfctx 全组 error 更少：5 vs 12，疑似压缩降低单轮 token 从而减少 stream 超时，但未严格归因。）
2.4 · 压缩洗掉关键信息：mteb-retrieve 单例实锤（可重建）
trace 里 llm.start 的 messages 快照就是压缩前后的 view，可直接对比。以 mteb-retrieve iter22→23 的 sync（44669→10763 chars）为例：
该 trial 最终失败恰是 result.txt 写错行（HumanEval: … vs 期望 MTEB: Massive Text Embedding Benchmark）—— 而第 5 名的判定恰恰依赖被洗掉的分数表。从机制（有损 apply_mirror）到结果（写错行）的链条在这个单例上是完整的。但仅此一例，不能推广到全部 15 个；2.1 的 8 个里其余 7 个均有各自独立的任务失败原因。
2.5 · 反向 7 个得
caffe-cifar-10（6 syncs / maxcut 87%）等 —— 长 trial 里水位管理更好反而帮了忙。说明压缩在部分任务上是正收益，只是不稳定。
对最初四个目标的裁决
附：LLM 调用 +23%（4256→5255）的构成
中位数仅 40→45，典型 trial 开销没涨；涨的是长尾：跑满 ≥115 的 trial 从 3 个涨到 18 个，差值最大的 10 个 trial（adaptive-rejection-sampler +88、git-multibranch +84、headless +82…）全是 selfctx 跑满 121 而 baseline 早提交的类型。压缩降低了“被迫结束”的压力（view 一直能塞下），模型把省下的预算全花成更多轮次，但多花的轮次没换成更多通过（6 个跑满未交卷 + mteb-retrieve 类做错）。baseline 的 llm_summary 在水位高时更快把模型逼向终局（好坏参半：逼出提交，也逼出 error 12 vs 5）。
结论：revert 正确，思想未被证伪但在此配置下失败
- -9pts 的构成：约一半是噪声（0-sync 短 trial 翻转，如 bn-fit-modify 等 4 个 0-sync 丢失）；另一半里，8 个 submit 通过但 benchmark 判 0 的全有各自独立的任务失败原因（DAG 断言、Tm 超差、attack 失败、精度差等），与压缩无直接因果；只有 mteb-retrieve 是“压缩洗信息→写错行”的单例实锤，6 个跑满未交卷与高频压缩相关但因果未定。判定：L2 + deepseek-v4.1-flash + TB 短任务 = 没赢。
- 不证伪 CLM 思想：CLM 是全量改写（无协议折损）、论文任务是长程。要证伪至少需要“原生级保真 + 长程任务”对齐，而本次（保真、任务长度、skill/RL 调优）都没对齐。诚实结论止于“此实现此配置失败”。
- Revert（57b5e6e）正确：self_managed_file 默认关闭，留着是 dead code + 第 4 个 memory 分支的维护负担；护栏路线违背初衷，剩下路线（原生保真重写 / P2 / 长程任务）投入大，不值得现在继续。
若将来重做，前提清单
- 任务先换长程（水位贴墙、rollback 真触发），TB 上不值得。
- 保真先行：tool 结构 native 保留或 [KEEP-PAIRING] 默认开，而不是先压再说。
- 先重跑确认噪声基线（翻转任务子集 ×2），再谈优化。
- P2 skill 进化（用本次 362 条 sync 事件做冷启动）优先于任何手工护栏。