能预测正确性，还不等于能安全停下来

paper-jev/HANDOFF_20260930_CURRENT.md

项目仍未有可以诚实写成主方法的创新结果。test checkpoint 标签没有读取，`runs/ckpt-policy-freeze/` 尚未建立；因此不能调 test 阈值、不能做 test 结果选择，也不能开始最终论文定稿。GPU6/7 归本项目长期使用，GPU0–5 属于 RL，不能碰。

- dev：40 任务、160 次尝试、4,091 个决策标签。

- ext：300 任务、599 次尝试捕获；其中 580 次/296 任务可用于训练，13,601 个训练决策点。

- test：60 任务、239 次尝试捕获；官方 checkpoint 标签继续封存。

九个 0.6B 文本模型（joint / independent-now / independent-final，三 seed，含 final1 recovery4 与 final2 successor）均有独立 readout。总体审查结论为 `PARTIAL_DESCRIPTIVE_LABEL_ABLATION_ONLY`：当前标签相对最终标签在部分 resolve-loss 菜单上省输入 token，但解决率和 harm 存在 trade-off，没有建立相对 counts 的安全增益、部署保证或总体保证。

- counts failure-termination：Q=77/160，输入省 17.7944%，但 H 的条件区间不能支持总体 H≤1%。

test 允许做的事情只有不含标签的特征计算，例如文本缓存或 9B 自评。所有任务、特征、模型、阈值、成本规则和冻结文件写入 `runs/ckpt-policy-freeze/` 之前，禁止读取 test 标签。

- 9B 自评：AUC 约 0.78；单轨迹在允许约 1 个点损失时只能省约 6% 输入。

- 0.6B 文本模型：AUC now 约 0.77、final 约 0.76；gain 头单轨迹约省 11.2%（零点损失菜单）到 13.2%（允许一点损失），但预算化 submit/continue/restart 没有超过原生策略。

- 13,601 个决策点，1,830 个正例，300 个任务；

- 任务分组 5 折 HistGradientBoosting，AUC=0.7892185481；

2. **未来修复标签是否值得训练？** ext AUC=0.789 是正面信号，但还没有显示决策收益。需要一个预登记的控制器、严格的 task-group cross-fit、未知标签处理和 reviewer gate。

随后做了一个严格的 train_ext→dev policy screen：future-repair AUC=0.8079，但把 `p_future_repair` 作为“低于阈值即可停止”的唯一控制信号时，解决率损失不超过 1 个点的最优点是不停止，输入节省 0%。因此该监督目前只能算可预测性证据，不能算方法效果。

当前正确性头与 future-repair 头的组合网格（`p_now` 高或 `p_future_repair` 低即停止）在解决率不降时最多省 4.42% 输入，仍低于已有 0.6B 文本基线约 11%；作为负对照保留，不升级为主方法。

1. **Crossed provenance**：20 任务、80/80 视图有效，但 17 个任务四视图全通过、3 个全失败，没有 code/test 分化。

2. **Persistent failure witness**：8 任务、16 视图；7 个失败仍失败，1 个 rc1→rc4 仍失败，没有 failure→pass。

3. **Repair-response**：4 任务、8 视图；current 与 code-reversed 公共命令返回码完全一致。

同任务 group-wise patch stopping 也查到与 R4P 的直接重叠，不能作为新方法。P3 typed fixed instance 因可训练机会不足而关闭，效果标记为 `NOT_EVALUATED`，不能包装成负结果。

初始 ACRB（artifact ledger + current/final + risk budget + abandon）经独立 review 判为 RETHINK：与 hazard / optimal stopping / Fail-Fast 的既有结构重叠，risk budget 没有可识别定义。

同任务 group-wise patch stopping 也查到与 R4P 的直接重叠，不能作为新方法。P3 typed fixed instance 因可训练机会不足而关闭，效果标记为 `NOT_EVALUATED`，不能包装成负结果。

5. **论文什么时候写？** 用户允许等待约十个月，但要求方法创新。当前不应调用最终论文改稿循环；只有在 result-to-claim 明确支持主方法后，才调用 `aris:auto-paper-improvement-loop` 做两轮 review–edit–compile，并编译 PDF。

SHA-256 10a11e81d52647b713221bf1c800a9802586e14db7114c4c1520603cc527f7f4

paper-jev/RESEARCH_BRIEF.md

用户目标：完成一篇有可辩护方法创新、有真实实验增益的 JEV 论文；不接受以测量或诊断为最终贡献。时间允许持续研究（此前授权可等约十个月），不是立即包装现有结果。

- 原 final-state G001/F1 路线维持 STOP；当前使用 checkpoint 线。

- test 的 checkpoint 标签在方法、特征、阈值和评估代码冻结进 `runs/ckpt-policy-freeze/` 之前保持封存；自动判分及无标签特征提取允许。

2026-09-28追加：修复数据上的counts-only GBDT三固定seed已完成、预测完全一致，独立复核仅支持开发集描述性点：failure-termination在160尝试上保持77次成功，输入省17.7944%、输出省12.4584%，一次误停与一次挽救；H的95%上界3.125%，没有总体安全/独立泛化保证。因此不能继续把旧40任务实验解读为“廉价计数信号学不出来”的一般结论。它是现有基线，不是新方法贡献。自评补充基线没有通过主H门槛，历史查询费用亦不完整；不得用generator-only节省冒充净节省。权威结论见`refine-logs/CLAIMS_FROM_COUNTS_BASELINE_20260928.*`和`refine-logs/CLAIMS_FROM_PROBE_BASELINES_20260928.*`。这些baseline-only判定不推进P3、test或论文门槛。P3 typed固定96任务实例已独立复核关闭为UNTRAINABLE_FIXED_READOUT：必需读出支持不足，停止效果未测，counters两头确有拟合。下一步完成已登记0.6B标签消融，再独立打磨新候选；不增补任务或修改提示救援本实例。

2026-09-28追加：修复数据上的counts-only GBDT三固定seed已完成、预测完全一致，独立复核仅支持开发集描述性点：failure-termination在160尝试上保持77次成功，输入省17.7944%、输出省12.4584%，一次误停与一次挽救；H的95%上界3.125%，没有总体安全/独立泛化保证。因此不能继续把旧40任务实验解读为“廉价计数信号学不出来”的一般结论。它是现有基线，不是新方法贡献。自评补充基线没有通过主H门槛，历史查询费用亦不完整；不得用generator-only节省冒充净节省。权威结论见`refine-logs/CLAIMS_FROM_COUNTS_BASELINE_20260928.*`和`refine-logs/CLAIMS_FROM_PROBE_BASELINES_20260928.*`。这些baseline-only判定不推进P3、test或论文门槛。P3 typed固定96任务实例已独立复核关闭为UNTRAINABLE_FIXED_READOUT：必需读出支持不足，停止效果未测，counters两头确有拟合。下一步完成已登记0.6B标签消融，再独立打磨新候选；不增补任务或修改提示救援本实例。

6. 方法与效果成立后更新论文主体、图表、引用和 PDF，并执行 ARIS 论断/引用/论文审查。用户本轮明确要求最后调用论文修改技能：必须执行 `aris:auto-paper-improvement-loop` 两轮评审—修改—重编译，保存改稿日志，不能仅交付结果摘要。

SHA-256 ee40fa2170f38d82c7a942512ddbeb17119f3a27e12431a38423878b07acf6f5

paper-jev/refine-logs/NEW_METHOD_IDEAS_20260930_163221.md

**所有卡片中的 pilot 均未执行。** 数字是建议上限/预算，不是覆盖率或结果。建议进入任何效果 pilot 前共同冻结一个实际增益门槛，例如相对较强基线多省 **3 个百分点的 9B 输入**，输出不劣，满足同一个观察风险菜单，并公开 observer CPU/GPU/输入/输出成本。3 点是本轮建议，尚不是已授权修改的既有门槛。只改善 AUC、控制器成本、eligible 子集准确率、或事后挑一个阈值均不通过。

**所有卡片中的 pilot 均未执行。** 数字是建议上限/预算，不是覆盖率或结果。建议进入任何效果 pilot 前共同冻结一个实际增益门槛，例如相对较强基线多省 **3 个百分点的 9B 输入**，输出不劣，满足同一个观察风险菜单，并公开 observer CPU/GPU/输入/输出成本。3 点是本轮建议，尚不是已授权修改的既有门槛。只改善 AUC、控制器成本、eligible 子集准确率、或事后挑一个阈值均不通过。

40 个反复使用的 dev 任务不能被称作新的独立确认。小 pilot 也不能给总体 1% 安全保证。若希望使用 ext 内新任务留出，所有学习型对照都必须按同样的 task 划分重训；不能拿已经见过这些任务的旧 baseline 权重作为公平留出比较。

## 1. 合约支持的变形关系组合执行

## 2. 将已有参数化断言提升为有界符号义务

## 3. 用官方确认的局部语义反例训练停止器

- `d_i(τ)=Y_iT-Y_iτ`；`D=mean_i d_i`。挽救可以抵消 D，不能抵消 H。

**结论：没有可宣布成立的新主方法。** 本轮给出八个可精确定义的机制候选，不把八个名字冒充八个已通过查新的创新。其中两个是尚可做极小可用性盘点的新执行假设；两个是高重合风险的训练数据协议；其余四个暴露出数据不可识别或直接先验重合。没有运行 pilot，没有读取 test 标签或任何 raw result 文件，没有改代码或启动任务。所有判断为 **same-family / provisional**。

生成：`/root/new_method_ideation_20260930`；独立 execution lens 为 `gpt-6-astra / xhigh`，rule/data lens 为 `gpt-5.5 / xhigh`。两者都只 brainstorm，不看项目数据。fresh-context `gpt-6-astra / xhigh` jury 已完成八候选检查；其完整 verdict 与 metadata 位于 `.aris/traces/idea-creator/2026-09-30_new-method-ideas/`。全程 **same-family / provisional**。

SHA-256 cb8c064435ef468d7aa4f15d51f6b57e99de40a8a00c804c4383ab5796f605bd

paper-jev/paper/sections/0_abstract.tex

Choosing the next action after a coding agent produces a patch requires distinguishing current correctness from the outcome of further work. We investigate whether matched executions can train a compact, non-generative controller under a fixed repair model. A three-seed CPU study trains a 0.6B current-correctness predictor, reaching 77.1\% mean accuracy on 32 development states from eight tasks. A 108-execution pilot on 12 final-candidate training states yields no repair of the three initially unsuccessful candidates; capped restart frequently damages correct patches. In a separately frozen diagnostic enriched for 12 initially unsuccessful training tasks, 83 of 84 executions are judged. Public-test feedback repairs one task at both seeds, but no pair of actions exhibits replicated opposite preferences across tasks. The prespecified feasibility gate fails. These results establish an executable collection protocol but do not establish sufficiently task-diverse intervention gains for the planned utility training. An action-utility model and independent test-set evaluation remain outstanding.

Choosing the next action after a coding agent produces a patch requires distinguishing current correctness from the outcome of further work. We investigate whether matched executions can train a compact, non-generative controller under a fixed repair model. A three-seed CPU study trains a 0.6B current-correctness predictor, reaching 77.1\% mean accuracy on 32 development states from eight tasks. A 108-execution pilot on 12 final-candidate training states yields no repair of the three initially unsuccessful candidates; capped restart frequently damages correct patches. In a separately frozen diagnostic enriched for 12 initially unsuccessful training tasks, 83 of 84 executions are judged. Public-test feedback repairs one task at both seeds, but no pair of actions exhibits replicated opposite preferences across tasks. The prespecified feasibility gate fails. These results establish an executable collection protocol but do not establish sufficiently task-diverse intervention gains for the planned utility training. An action-utility model and independent test-set evaluation remain outstanding.

Choosing the next action after a coding agent produces a patch requires distinguishing current correctness from the outcome of further work. We investigate whether matched executions can train a compact, non-generative controller under a fixed repair model. A three-seed CPU study trains a 0.6B current-correctness predictor, reaching 77.1\% mean accuracy on 32 development states from eight tasks. A 108-execution pilot on 12 final-candidate training states yields no repair of the three initially unsuccessful candidates; capped restart frequently damages correct patches. In a separately frozen diagnostic enriched for 12 initially unsuccessful training tasks, 83 of 84 executions are judged. Public-test feedback repairs one task at both seeds, but no pair of actions exhibits replicated opposite preferences across tasks. The prespecified feasibility gate fails. These results establish an executable collection protocol but do not establish sufficiently task-diverse intervention gains for the planned utility training. An action-utility model and independent test-set evaluation remain outstanding.

SHA-256 883c4cbafe2a72e4b2c1964f78384f7b67bf660fe4c4f6802dd3662a7cd17081