# JEV 新机制候选：2026-09-30

**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**。

本文件回应的约束是：冻结 coding agent；仅 `submit-current` / `continue`；减少 9B 生成输入和输出；风险预先选择 `H ≤ 1%` 或观察到的 net-loss ≤ 1 个百分点；必须超过 counts 和文本基线的实际首停前沿。已关闭的公开 witness、code reversal 和 R4P 式相对 patch reasoning 不以改名方式复活。

## 共同数学对象与接纳标准

对轨迹 i，在已到达 checkpoint t 有可见前缀 `F_it`、完整当前 artifact `P_it`、已付生成输入/输出 `C_it^in,C_it^out`。官方当前标签 `Y_it` 只用于 ext/dev 监督及评估，部署不可见；原生继续终点为 `T_i`、标签 `Y_iT`。控制器只选择首次提交时点 `τ_i`，否则自然完成。

- `h_i(τ)=1[τ<T_i] (1-Y_iτ)Y_iT`；`H=mean_i h_i`，沿用项目分母，不改成“仅成功轨迹中的误停率”。
- `d_i(τ)=Y_iT-Y_iτ`；`D=mean_i d_i`。挽救可以抵消 D，不能抵消 H。
- 主训练对象可以是 `L_λ(π)=mean_i[C_iτ^in + λ h_i(τ)]`，但最终按预登记的约束前沿评估；输出 token 单独报告，不将两种 token 任意加总。补充 D 菜单必须事先选择。
- 相同 issue 的多个 attempt/checkpoint 不当独立任务。按 task 分组拟合、选参和区间计算；未知标签保持未知并给共同分母上的上下界。
- 新执行只在隔离的当前快照里产生 observer evidence，不能反馈给冻结 actor。被提交的必须仍是原始 `P_it`。

**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

**我们具体做什么。** 从当前可见的 API 文档/已有测试中找出明确成立的关系，例如规范化幂等、可逆编解码的 round trip、明确无序输入的置换等变。使用现有输入作为 seed，按事先登记的两个关系及其有限组合构造新输入，在当前 patch 上执行，检查输出之间的关系。只有原例子通过、所有适用关系通过、组合执行实际触及改动代码且无 unsupported 时才允许提交；否则继续。

**State / action / loss。** State 是 `F_it` 加上关系适用性的源位置、seed、关系组合的执行结果及覆盖/unknown 标记；没有未来 patch。Action 是首次满足固定 gate 时提交当前 patch。Loss 是上述完整轨迹 `L_λ` 或其 D 版本；不适用任务继续，也计入成本和覆盖分母。关系本身不能根据当前 patch 的行为“发现”出来再作为正确性 oracle。

**最近先验与一句差异。** 变形测试本身已有明确先验；DSpot 已通过测试放大探索新行为，PATCH-SIM 已使用增强测试和执行相似性判断 patch。可争取的窄差异是：**对 prefix 可见、合约支持的关系执行有限组合，以此决定提交当前 artifact 的首次时点，并检验组合约束是否有不可由同预算单关系测试解释的低害增量。** 这只是待检验差异，不是已证明创新。[DSpot](https://arxiv.org/abs/1811.08330)、[PATCH-SIM](https://arxiv.org/abs/1706.09120)。

**最小 pilot。** 先仅对 ext 的固定 24 个 task-hash 排序任务盘点已有 callable、输入 seed 和关系合约，不按当前 correctness 挑任务。可用性阶段约 0.5–2 CPUh、0 GPUh。若有至少 6 个任务且至少两个关系家族，固定每 attempt 一个机会、每机会最多 16 次短函数执行，CPU 总上限 4h；超时/不支持保持 unknown。之后才讨论 ext 拟合与完整 dev 首停回放。对照必须有原测试、相同执行次数的普通 property-based 测试、单关系、随机同预算组合；不能只比 counts。

**Kill / 风险。** 合约不能在 patch 之外明确找到；覆盖太少；组合不触及修改；普通同预算测试解释全部效果；或全分母上没有约束内增益，均关闭。恒等错误实现也能满足许多代数关系。关系通过不是官方正确性证明。**状态：仅保留为高风险执行假设。**

## 2. 将已有参数化断言提升为有界符号义务

**我们具体做什么。** 限于已有明确输入约束和参数化输出断言的纯 Python 函数，把该断言在明确有限域内进行符号/穷举验证；记录具体输入域、路径边界、支持操作以及义务是否全部完成。部署只在已支持义务闭合、当前公开例子通过且改动的受支持区域都被覆盖时提交。普通 `f(3)==7` 不能自动升级成“任意 x 都应等于 7”。

**State / action / loss。** State 是当前代码、公开参数化合约、域边界、已核对的执行义务证据；action/loss 仍是 `submit-current/continue` 和完整轨迹 `L_λ`。符号执行超时、未覆盖路径、动态依赖、外部副作用都是 unknown→continue，不能把“暂时没找到反例”标为证明完成。

**最近先验与一句差异。** CrossHair 已能对 Python 合约搜索反例；Alive2 是有界 translation validation 的相关范式。候选唯一可讨论的差异是：**把完成的、范围明确的执行义务作为停止 admissibility 条件，而非另一项历史置信分数。** 直接接一个现成 checker 没有自动获得方法创新。[CrossHair 官方说明](https://crosshair.readthedocs.io/en/latest/contracts.html)、[Alive2 原论文](https://web.ist.utl.pt/nuno.lopes/pubs.php?id=alive2-pldi21)。

**最小 pilot。** ext 固定 24 任务，仅静态盘点显式参数化断言与有限输入域，约 1–2 CPUh、0 GPUh；无合约则不人工补任务专属断言。最多 12 个支持 checkpoint，每个 solver 120 秒及一个独立具体反例重放预算；整体 2 CPUh 加已有环境启动成本。控制同时间 fuzz/property-based 执行、原 public pass、以及相同 checker 输出的普通 stopping scorer。之后若存在完整覆盖才能设计 dev 效果试验。

**Kill / 风险。** 无已有合约、可完成义务极少、需要逐任务手工形式化、界外行为主导问题、或 generic checker+scorer 等效，则关闭。bounded certificate 只能证明所声明范围，不能证明 hidden tests 或 issue 全部需求。**状态：仅保留为极高覆盖风险的执行假设；不能称为全仓库安全停止。**

## 3. 用官方确认的局部语义反例训练停止器

**我们具体做什么。** 在 ext 的已保存当前代码上，使用一个冻结的类型化小变异表构造局部错误候选；只对原 artifact 和每个 mutant 使用 ext 官方 evaluator 确认是否真的改变正确性。对真实翻转的 pair，给现有小控制器额外的局部变化定位和有方向的 margin 监督；部署仍只读当前前缀，不执行 mutants，不加新头堆栈。

**State / action / loss。** 在线 state 不变。对确认 `y(P)>y(P')` 的训练 pair，附加 `max(0,m-[sθ(P)-sθ(P')])`；定位监督只约束实际变动位置。自然轨迹上的 `L_λ` 仍是主损失。**人工 mutant 没有自然 continuation label；不能把原轨迹 `Y_T` 转贴给 mutant，也不能伪造 mutant 的 harm。** 初始 mutant 输入只进入 artifact correctness 的辅助项，不伪装成真实 actor 历史。

**最近先验与一句差异。** BugLab 已用生成的 bug 训练检测/修复；SelfAPR 已把执行过的代码扰动用于训练；ComPass 已用变换和对比学习做 patch correctness。候选差异仅可能是：**由完整官方 checkpoint grader 确认的局部边界监督，是否改善首停低害区而不增加在线推理成本。** 这更可能是数据工程，而非独立新方法。[BugLab](https://arxiv.org/abs/2105.12787)、[SelfAPR](https://arxiv.org/abs/2203.12755)、[ComPass](https://arxiv.org/abs/2602.07561)。

**最小 pilot。** 先盘点 ext 12 任务的已保存树和支持变异位点（CPU <1h），再最多每任务两个 mutant，共 24 个额外 official evaluations；必须保留原 harness 时限，CPU 预算需以实际单次 grader 成本估计，不能把未知当便宜。建议总 worker 预算 12h，预算耗尽的未完成项为 unknown；若不足支持就关闭本实例。冻结一个 0.6B 对照/处理配对拟合，单个处理 fit 上限 2 GPUh，GPU08 6/7 另行遵守现有调度。比较同训练量普通 hard-negative 增广、随机错误定位和无辅助损失。

**Kill / 风险。** 有效 correctness 翻转少、模型只识别 mutation artifact、与普通 hard-negative 持平、或小 dev 低害区无增量，关闭。不能因 negative 数量不够改变变异表。**状态：数据机制与已失败的公开 reversal 不同，但 novelty 风险极高；不建议仅因“换成官方标签”就进入主线。**

## 4. 将真实未来修复压缩为训练期的充分编辑集监督

**我们具体做什么。** 仅在 ext 的自然 `Y_t=0 → Y_u=1` 段内，使用保存的未来 edits 作为离线材料，有限次 regrading 定位足以改变 correctness 的小型可应用 edit 子集。把这个子集映射到当前代码位置，用作前缀学生的训练期 privileged target。部署不见未来 edits，不生成或提交这些 edits，只判断是否继续原 actor。**一个最小充分编辑集未必唯一，也不是必要的语义义务**；不能将替代修复路径不存在当成已证明事实。

**State / action / loss。** 在线为 `F_t`；训练额外有 `B_t*`（经 evaluator 证实的充分修复 edit 子集；只有完成预定的删除检查才称局部最小，若搜索预算不够则 unknown/非最小）。优化 `L_λ + ηℓ_localize(gθ(F_t),B_t*)`；具体位置标签必须由可审计 edit 映射得到，不能让 LLM 自由编“必须继续的理由”。教师材料永不进入学生输入、dev 特征或 test。`B_t*` 的 existence 不是在线可见变量。

**最近先验与一句差异。** 训练时使用额外信息而推理时移除，是 privileged-information distillation 的既有范式；R4P 已有 patch reasoning。窄差异是：**用实际 frozen-actor 的可验证未来修复定位监督当前 prefix 的未完成语义，而非仅给 now/final 标量或多个 patch 相对分。** 此差异仍可能被普通编辑辅助任务解释。[Generalized distillation](https://arxiv.org/abs/1511.03643)、[R4P](https://arxiv.org/abs/2510.22775)。

**最小 pilot。** ext 预固定 12 任务，读取其允许的自然标签后枚举所有合格跃迁，不按效果换任务；每段最多 4 次额外 grader，最多 24 次，worker 总上限 12h，所有未完成材料保持 unknown。先只评估能否形成至少 6 个 task 的非平凡定位监督；随后处理/对照各至多 2 GPUh。对照：未来 edit 数量/大小监督、原标签、随机位置监督、相同训练步数的一般代码辅助任务。所有材料按 task 整体划分。

**Kill / 风险。** 正确性转变没有可应用局部 edit 子集、最小化主要产生 import/setup 错误、有效任务太少、学生无法在无未来信息时预测，或同容量一般辅助训练解释增益，关闭。即使辅助定位准确，没有实际低害 frontier 增益仍失败。**状态：与 #3 的人工破坏边界不同，属于自然未来修复监督；两者都接近已知训练增强，不能用二者组合掩盖 novelty 不足。**

## 5. 同一完整前缀的重复 continuation 标签

**我们具体做什么。** 只将完全相同的 actor 上下文、当前树、工具状态和采样配置视为同一 `s_t`；从该前缀获得多个独立随机 continuation，估计 `p_t=P(Y_T=1|s_t)` 与剩余成本分布，再训练原停止器。不是把“同 issue”“同 patch hash”的不同历史当同状态。

**State / action / loss。** State 为完整 prefix。训练目标 `h̄_t=(1-Y_t) mean_k Y_T^(k)`，部署仍对现有前缀提交/继续。对 branch cost 也保留完整分布及 unknown，不将截至预算未成功当 final failure。生成重复分支属于离线数据采集，不是部署 restart/abandon。

**最近先验与一句差异。** Monte Carlo continuation value 是 optimal stopping 常规对象，Bayesian coding control 已建模候选 correctness 和继续获取证据。潜在差异只有**以同一 exact prefix 的重复结果纠正单一终局运气，而非将多轨迹 endpoint 当独立条件标签**，本身未显示新算法。[Deep Optimal Stopping](https://jmlr.org/beta/papers/v20/18-232.html)、[Bayesian control](https://arxiv.org/abs/2606.24453)。

**最小 pilot。** 当前任务允许的第一步仅是 ext manifest/context identity 盘点，0.5–1 CPUh、0 GPUh，寻找真实重复 exact-prefix。若现有日志无支持，只能报告“existing-log pilot 不可识别”；不能拼接 sibling suffix 或用同 patch 代替。补采新 branch 需要新数据协议和明确 GPU 预算，本轮不建议从无支持盘点直接追加。若已有重复，先交叉拟合的低方差 target 与单终局 target 做同预算比较。

**Kill / 风险。** 没有 exact-prefix 重复，或除了增加 label 次数没有新机制，关闭其作为主方法资格。重复标签降低方差不自动跨越方法创新门槛。**状态：当前最小现有日志 pilot 可能不可识别；不是推荐主线。**

## 6. 直接优化可微首次停止分布

**我们具体做什么。** 对每个前缀输出 `pθ(t)`，构造 `qθ(t)=pθ(t) ∏_{j<t}(1-pθ(j))`，最后一点强制停止。用整个日志的已知当前标签直接优化 `Σ_t qθ(t)[C_t^in+λh_t]`，避免独立逐 checkpoint 分类损失与真正首停目标不一致。

**State / action / loss。** State 仍是原特征/文本前缀，q 只是训练计算；在线按被冻结的随机停止规则抽样，或单独登记确定性读出。若训练为随机策略、评估却任意阈值化，不能沿用其训练价值声明。非单调 `Y_t` 直接进入 loss，不假设“一旦正确一直正确”。

**最近先验与一句差异。** Deep Optimal Stopping 已直接学习 stopping rule；OS-Pruner 已将 prefix 停止训练为 accuracy–token utility。**此处差异只是 repository 当前 artifact 的非单调 reward 和明确 first-hit 评估，不足以证明新机制。** [Deep Optimal Stopping](https://arxiv.org/abs/1804.05394)、[OS-Pruner](https://arxiv.org/abs/2607.11089)。

**最小 pilot。** 现有 ext 标签/缓存即可做同容量小 MLP 的 1–2 CPUh 配对拟合；0 GPUh，或者原 0.6B 至多 2 GPUh。相同选择菜单下对照普通 utility-trained policy。需要实现但本轮未实现。

**Kill / 风险。** 公式可直接归约到已有 optimal stopping；当前就已触发 novelty kill。即使效果更好，也最多是强基线/训练修正，不能冒称本项目需要的新主方法。**状态：拒绝作为创新路线。**

## 7. 只在与 counts 首停分歧处做稳健 policy improvement

**我们具体做什么。** 将已有 counts 策略作为固定 baseline b，对候选 π 按完整轨迹计算 `Δh_i=h_i(πτ)-h_i(bτ)` 与 `ΔC_i=C_i(πτ)-C_i(bτ)`；两策略相同的轨迹差为零。用 task 层面的不确定集合约束风险差，最大化相对节省；不确定时退回 b。

**State / action / loss。** 部署 state 是当前可见前缀和 b 已到达的内部状态，不能在线知道整条轨迹分歧；policy 必须逐时执行，训练可用完整日志。目标例如 `min_π sup_{w∈W} Σ_i w_i ΔC_i`，同时约束 `sup_w Σ_i w_i h_i(π)≤.01`；仅约束 `Δh≤0` 不能继承一个没有总体风险保证的 b。所有路径按真正首次 stop 算，不能局部拼接已停止轨迹的未来。

**最近先验与一句差异。** SPIBB 已提出在不确定处回到 baseline 的安全策略改进。**配对的首停差值可能改善估计方差，但没有提供一个超出既有 SPI/稳健优化的新停止原则。** [SPIBB](https://arxiv.org/abs/1712.06924)。

**最小 pilot。** 现有合法 ext/dev 日志、固定 policy menu 上 CPU 1–2h、0 GPUh；比较相同 menu 的普通共同约束选择和 paired calibration。若研究连续策略则另计拟合费用。这里只提供最小实验，不表示要重新选 dev 最优点。

**Kill / 风险。** 若只是重新校准/组合阈值，或理论从 SPIBB 直接实例化，创新即失败；稀少有效 task 也可能让 robust gate 全退回 baseline。**状态：拒绝作为独立主方法；可作后续任何真方法的评估工具。**

## 8. 测试对当前代码运行值故障的敏感度

**我们具体做什么。** 在公开测试经过的改动代码处，按固定类型表临时翻转布尔、扰动边界整数或移除一个集合元素，观察原 assertions 是否检测到；部署只提交完全未修改的 current patch。把 source hunk reversal 换成运行期干预，意图测量 passing tests 是否真正约束了 changed behavior。

**State / action / loss。** State 是当前 tree、原执行覆盖、运行值干预位置及 assertion-detected/unknown 结果。覆盖充分且规定故障被 assertions 检出才允许首次 stop。基础崩溃/import/setup error 不算有效 kill。按完整轨迹 `L_λ`，收费所有运行期干预。

**最近先验与一句差异。** 这是 mutation testing / fault injection 的近亲；PATCH-SIM 也已使用动态行为判断 patch。和本项目失败的 repair-response 相比，**干预载体从源码编辑变成运行值，科学问题仍是公共测试对局部修复变化的敏感度。** 载体变化不是独立方法差异。[PATCH-SIM](https://arxiv.org/abs/1706.09120)。

**最小 pilot。** 若纯作机制诊断，可 ext 固定 8 task、每 task 最多 4 个值干预，总 CPU 4h、0 GPUh；与相同次数的源码 mutation score 和已关闭 reversal 控制比较。无需为了确认已知重合实际执行。

**Kill / 风险。** 和 aggregate mutation score 等效、局部可检测但遗漏整个需求、或只是重开 code-reversal 均关闭。**状态：当前就因强机制重合拒绝，不推荐 pilot。**

## 本轮取舍与禁止的推论

| 候选 | 类型 | 推理时新增什么 | 当前判断 |
|---|---|---|---|
| 1 关系组合执行 | 新实际执行 | 合约支持的多输入关系 | 可做极小可用性盘点；未过 novelty |
| 2 有界符号义务 | 新实际执行 | 明确范围内已完成的证明义务 | 可做极小可用性盘点；覆盖风险更高 |
| 3 局部语义反例监督 | 数据协议 | 无新开销，改变监督结构 | 与 BugLab/ComPass 等高度重合 |
| 4 未来修复监督 | 数据协议 | 无未来输入，改变训练的局部目标 | privileged distillation；需额外独立差异 |
| 5 同前缀重复 continuation | 数据协议 | 无新开销，减少 endpoint 标签噪声 | exact-prefix 支持未证实；常规 MC |
| 6 可微首次停止 | 决策/训练规则 | 无新信息 | optimal stopping 先验已覆盖 |
| 7 配对 baseline 改进 | 决策规则 | 受约束的 baseline 回退 | SPI/重新校准先验已覆盖 |
| 8 运行值故障敏感度 | 新实际执行 | mutation adequacy | 与关闭路线强重合，拒绝 |

独立生成 shard 还提出了 checkpoint “dominance certificate”、switchback labels、last-effective-edit automaton、transcript contract、跨轨迹 suffix transplant 和双 oracle 合约。前四项分别存在不可见未来证书、重复官方 current label、普通 history classifier、artifact ledger 重命名问题；suffix transplant 没有 frozen actor 条件分布意义；双 oracle 不能从未找到反例推出正确。因此没有把它们凑进八个候选。

**最终建议不是立即实现八选一。** 执行者初步优先盘点 #1/#2；fresh jury 认为 #1 仍是普通 metamorphic testing，建议仅盘点 #2/#4。保留这项分歧，不将两次判断包装成一致的路线推荐。两者共同保留的是 **#2 的显式参数化断言/可完成有界义务盘点**；其次可以只统计 #4 的 train-only 可还原自然修复跃迁。均未批准为新方法实验，更没有通过 novelty。#3/#4 即使有工程可行性，也不能绕过先验重合审查。本轮没有一个候选已满足“有可辩护新方法且有真实 low-harm frontier 增量”。不宜组合多个弱候选，也不应把本轮报告写成方法贡献或完成进度。

Fresh jury 的关键否定是：#1/#2 通过的只是不完整公开规范；#3 mutation 标签有效不等于自然 bug 因果定位；#4 的充分修复不代表必要/唯一义务；#5 需要 exact-prefix 重复；#6 已有 optimal stopping；#7 相对安全不推出绝对 H；#8 fault kill rate 不证明当前 patch 正确。其总 verdict 为 **none currently establishes a new method**。

## 来源、边界与 trace

本地只读取 `AGENTS.md`、`RESEARCH_BRIEF.md`、`STATUS.md`、`CKPT_V2_PROTOCOL` 以及已写成的路线/协议说明；未读取 `runs/` raw results、官方标签文件或 test 文件。STATUS 中既有总结只用于识别已关闭路线，没有复算或引入新实验结论。文献为本轮 web 检索到的原论文/官方文档，以上差异均是作者提出的推断，不是原论文替本候选背书。

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**。