研究提案已修订

任务内验证、跨任务使用：TQS 的 1,024 条 Top-K 子集里，+2.8 点有多少来自过程质量

TQS 用七个结构分量给代码智能体轨迹打分，分量准入与人工验证全部锁在任务内配对上，部署却是跨任务全局 Top-K。ECSL 用任务间方差占比、任务中心化打分、任务匹配随机臂与级联预算曲线四本账，把 +2.8 点拆成任务选择与过程质量两部分。

2026年10月14日智能体训练数据代码智能体轨迹选择过程监督数据工程可复现性数据审计

锚点论文是 TQS（arXiv:2610.13152，v1 于 2026-10-09，cs.AI，7 位作者）。署名单位分两处：Sida Li、Yuanxin Liu、Shicheng Li、Linli Yao、Xu Sun 五人署 National Key Laboratory for Multimedia Information Processing, Peking University；Haoli Bai、Xiao-Hui Li 两人署 Huawei Technologies Co., Ltd.。它对准的是开放代码智能体 SFT 里一处真实漏洞：结果级过滤只保留补丁通过的轨迹，通过轨迹之间的过程质量差异被整体丢掉。论文给出七个结构分量——观测熵收敛 $oec$ 、作用域收缩 $psn$ 、意图—动作一致 $iac$ 、工具转移熵 $tte$ 、解承诺点 $scp$ 、出错后多样性 $ped$ 、脏模式护栏 $dpi$ ——以手设权重 $0.30/0.25/0.10\times4/0.05$ 聚合成 $[0,1]$ 上的 tqs，不需要 LLM 裁判，线性时间。语料是 CoderForge-Preview：258,134 条 OpenHands 轨迹、51,201 个任务、Qwen3-Coder-480B 教师。155,144 条通过后，按「≥3 步 + 分量覆盖 ≥4/7 + token 长 ≤32,768」筛出 38,382 条可用池，取 Top / Bottom / Random 各 1,024 条做 Qwen3-Coder-30B-A3B-Instruct 的 LoRA SFT，SWE-Bench Verified 上 Top 27.6、Random 24.8、Bottom 21.8、无 SFT 基座 24.4。

本提案不质疑「过程质量值得筛」这个判断，只追问三件论文自己没有分开的事：分是在哪个口径上被验证的、在哪个口径上被使用的、两个口径之间差了什么。

背景与动机

验证口径与部署口径不是同一个量。 §3.4 的准入把每条通过轨迹与同一任务的失败轨迹配对，按「能否把 pass 排在 fail 之上」的 concordance 筛掉反向或有强混淆的分量：六个入选分量落在 0.541–0.640（ped 0.541、tte 0.563、psn 0.585、dpi 0.591、scp 0.598、iac 0.612、oec 0.640），护栏 dpi 取 0.591，复合 tqs 0.732；被拒的一侧是 hcr 0.527（行为模式塌陷）、BUS/TGCR/DCS-file ≤0.479（concordance 过低）、DCS-Jaccard 0.729（与长度相关）。

§5.2 的直接验证同样锁在任务内：300 个「至少三条 resolved run」的任务，构造 high–low / mid–low / high–mid 共 900 对，人类与 Claude Sonnet-5 分别盲评，总体一致率 78.7% 与 75.4%。

三个一手细节值得单列。其一，900 对里有 176 对得到不一致裁决并被记为平局，实际分母是 724 而非 900——78.7% 对应 570/724，折算到 900 对上是 63.3%。其二，论文已按三档分开报：high–low 85.2%（人）/ 81.1%（Sonnet-5）、mid–low 74.2% / 77.0%、high–mid 76.8% / 67.4%，极端对确实高于相邻对，本提案技术路线第二步「把三档分开报」这一条论文已经做了（见下文修订）。其三，更严的口径差得多：完整的 high > mid > low 三元组全序吻合率只有 45.7%（137/300） 与 41.3%（124/300），Spearman $\rho$ 只有 0.417 与 0.402。任务内排序在逐对比较上站得住，在完整排序上只比抛硬币略好。两处都是任务内比较。部署却是跨任务的全局 Top-K：从 38,382 条里按 tqs 降序取 1,024 条（选择率 2.7%），铺开在 847 个任务上。任务内排序问的是「同一任务下哪条跑得更好」，跨任务排序问的是「哪条轨迹整体更值得学」，两者不是同一个 estimand，而 oec 的相对熵比、scp 的相对承诺时刻 $u=t^{\ast}/n$ 、psn 的 Kendall $\tau_K$ 都是任务内归一化量，跨任务可比性没有任何一栏数据支撑。

两个子集的任务构成并不相同，而表 2 把这个差异印了出来。 Top 覆盖 847 个任务、每任务硬上限 30 条，Random 覆盖 825 个任务、每任务最高 59 条；Top 的脏模式命中率 1.0%，Random 13.6%。更均衡的任务覆盖本身就会给 SFT 带来收益，而这条路径与「过程质量」无关。论文用一句 “controlling task coverage, repository coverage, and source proportions” 带过。

逐项核对表 2 后，这句话要拆开看。做到了的：三个子集的 source mix 完全对齐，均为 Smith/Rebench/Gym = 61/20/18。没做到的：任务数 847（Top）对 847（Bottom）对 825（Random），仓库数 209 / 204 / 217，每任务上限 30 / 30 / 59。关键的一条是 Bottom 与 Top 的任务约束完全相同（847 个任务、每任务上限 30），因此 Top−Bottom 的 +5.8 点（27.6 对 21.8）不受任务覆盖差异影响；任务覆盖这条路径只能解释 Top−Random 的 +2.8 点，解释不了 Top−Bottom 的 +5.8 点。这反过来给本提案的 $\delta_{\rm TMR}$ 定了上界：任务选择贡献的上限不是 +2.8 的全部，而是其中 847/825 与 30/59 这两处不对齐能撑起的部分。

表 2 还有两栏可用作对照：平均步数 Top 34.2 / Bottom 53.0 / Random 41.0，平均 token 数 28.1K / 26.3K / 26.9K，脏模式命中率 Top 1.0% / Bottom 64.3% / Random 13.6%。Top 子集同时是步数最短的（34.2 对 Random 41.0），这一栏与下一条长度问题直接相连。

长度上限先替打分器做了一轮筛选。 155,144 条通过轨迹里只有 38,382 条进入可用池，保留率 24.7%，且按源极度不均：SWE-Smith 89,501 → 23,569（26.3%）、SWE-Rebench 44,739 → 7,821（17.5%）、R2E-Gym 20,904 → 6,992（33.4%）。附录 H 自陈被丢弃的长尾「以长轨迹为主，尤其来自 SWE-Smith」，主因是 32,768 的 token 打包上限（该上限是为了塞进 40,960 的上下文窗口并留出 chat template 与 assistant tag 的余量，属打包预算而非质量判断）。§1 却把「把有意义的编辑推迟到交互预算后段」列为低质轨迹的特征之一——被预算截掉的 116,762 条恰好与这一人群高度重叠。于是 tqs 的增量收益是在一个已经偏短的 24.7% 上测出的。

⚠️ 限定：「长度上限与结构分各自贡献多少，无人分解」这句话说过头了。表 3 已经跑了两条相关臂——B3 Shortest-K（只按长度选 1,024 条）得 24.2，低于 Random 的 24.8，说明长度本身不是收益来源；B6 Top-LM-K（按 tqs 选但长度分布匹配 Random）得 27.0，比 Random +2.2、比 Top 27.6 只低 0.6。也就是说，在已进入可用池的 38,382 条内部，长度混淆最多解释 0.6 个点。真正无人分解的是被 32,768 剔除的那 116,762 条：tqs 在那一段上从未跑过 Top 对 Bottom。本提案第二本账相应地只针对这一段（见下文修订）。

头条效应量落在单次抽样噪声内，全篇没有 seed 也没有误差棒。

⚠️ 定位提醒（终审追加）：上句里的「全篇没有 seed 也没有误差棒」容易被读成一处论文尚未意识到的缺陷。论文 Limitations 已自陈原文：“We train each condition once because of compute cost, so the reported pass@1 differences do not include multi-seed variance estimates.”，同一段还写了 “We also restrict training trajectories to at most 32K tokens so that they fit within the 40,960-token context after template overhead. This excludes a long-trajectory tail that may contain useful recovery behavior.”。也就是说，单次训练与 32K 截断这两条都是论文自己声明过的局限。ECSL 的增量因此不是「指出论文没看到的问题」，而是「把已声明但停留在定性措辞上的局限变成可计算的量」——第 2 本账对应后一条（ $\gamma$ ），第三步的 3 seed 与 McNemar 对应前一条。论证落点应始终停在量化，不停在揭短。 Top 27.6 对 Random 24.8 的 +2.8 点，在 n=500 上按两比例独立计的标准误是 2.78 点，比值恰为 1.01。论文把「越难收益越大」当作机制证据：Hard 列 Top 6.7 对 Random 2.2。Hard 桶规模论文未给出，按 100 条计标准误 2.90 点（1.55 个标准误），按 60 条计 3.74 点（1.20 个）；6.7% 对 2.2% 在 100 条上只是约 4 条实例的差。表 5 的维度消融同样单点无重复，其中「去掉意图—动作对齐」一行 23.0，低于 Random 24.8。附录 I 只扰动了 $w_{oec}$ 、 $w_{iac}$ 、 $w_{dpi}$ 三个权重中的一个，且用 Top-1024 重叠率（93.1–99.6%）当稳定性指标——在 2.7% 的选择率下这是一个钝化指标，全池秩相关与扰动后重新训练的下游数值一条都没报。

附录 G 的「长度受控」证据是构造出来的。 该表把轨迹限制在众数步数带 $[25,40]$ 上，报告复合 tqs 的 pair-AUC 为 1.000。可 Top-1024 的阈值是 0.7061、Bottom-1024 的阈值是 0.4696，两个子集分数范围间隔 0.2365、完全不重叠；在这个基础上算 AUC，1.000 是子集定义方式的算术后果，不是长度稳健性的证据。表里真正有信息量的一行是 $psn$ 掉到 0.839。

最强的基线赢了，而级联臂从未出现。 表 3 中 GPT-4o 裁判臂 28.4，高于 tqs-Top 27.6。论文的结论改由成本支撑：裁判全量判 38,382 条约 2,750 美元，判全部 258,134 条约 18.6K 美元；tqs 单机 43 ms/条（3,462 条基准批、中位 53 步、AMD EPYC 7413、149.2 秒/批、23.2 条/秒），单进程跑完全部 258,134 条约 3.1 CPU-小时，四进程 87.5 条/秒约 49 分钟，按 4 vCPU 按需价折算约 0.1–0.2 美元。工程上最自然的用法——先用 tqs 全排，再让裁判只重排头部 $b$ 条——成本降到 $b/38{,}382$ 量级，却一条臂都没跑。

核心思路

提出 ECSL（Estimand-Consistent Selection Ledger，口径一致的选择账本）：把「结构分能不能筛出更好的 SFT 语料」拆成四本账，每本账一个可计算的统计量、一条预注册判定线，全部能在不重新设计打分器的前提下跑完。

第一本账处理口径错配。在可用池上按任务分组做单因素随机效应方差分析，取任务间方差占比

$\phi=\frac{\sigma^2_b}{\sigma^2_b+\sigma^2_w},$

$\phi$ 越大说明 tqs 编码的越是任务身份而非过程。再算全局秩与任务内秩的 pooled Kendall $\tau_{\rm cross}$ 。据此构造任务中心化打分：设任务 $x$ 上有 $m_x$ 条可用轨迹、均值 $\bar s_x$ ，收缩强度 $\alpha$ 下

$\hat\mu^{\alpha}_x=\frac{m_x}{m_x+\alpha}\bar s_x+\frac{\alpha}{m_x+\alpha}\bar s,\qquad \widetilde{\textsc{tqs}}(\tau)=\textsc{tqs}(\tau)-\hat\mu^{\alpha}_{x(\tau)},$

$\mathrm{score}_{\lambda}=(1-\lambda)\,\textsc{tqs}+\lambda\,\widetilde{\textsc{tqs}}.$

$\lambda=0$ 时 ECSL 严格退化为原 TQS 管线； $\alpha\to\infty$ 时同样退化。第三臂是任务匹配随机（TMR）：固定 Top-K 的任务集合与每任务条数，在任务内随机抽轨迹，把「选哪些任务」与「选哪条轨迹」彻底分开，对比量记为 $\delta_{\rm TMR}$ 。

第二本账处理截断，但范围收窄。按源 × 长度带 × 任务难度的保留率表只补后两维——按源的一维论文表 12 已经给了（26.3 / 17.5 / 33.4），缺的是长度带与难度桶的交叉。核心动作是在被 32,768 上限剔除的 116,762 条内部单独跑 Top 对 Bottom，得 $\gamma$ ——这个对比不经过长度上限，是 tqs 的独立效应。

池内那一段不必再做：B3 与 B6 已经把池内长度混淆的贡献压到 ≤0.6 个点。本账要回答的是另一个问题——tqs 在被截掉的长尾上还成不成立。条件允许时再跑一条抬升上限（改用截断或序列并行）的全池臂。

第三本账处理标签复用。把 $dpi$ 从复合分里剔除后重算十分位 resolved 率跨度 $\Delta_{\rm ext}$ ，与含 $dpi$ 的 32.9 点对比；再做跨源准入—验证切分：分量准入只用 SWE-Smith，resolved 率单调性只在 R2E-Gym 上读，得 $\kappa_{\rm ext}$ ；另报图 2 的 413,278 条记录与表 1 准入配对的重合比例 $\nu$ 。

第四本账是预算曲线 $\Pi(b)$ ： $b\in\{1{,}024, 2{,}048, 4{,}096, 8{,}192, 38{,}382\}$ ，级联成本 $c(b)=c_{\rm TQS}+b\cdot\bar c_{\rm judge}$ ，按论文自报的 2,750 美元反推 $\bar c_{\rm judge}\approx0.0716$ 美元/条， $b{=}4{,}096$ 时约 293 美元。

技术路线

第一步落在零训练的诊断层，只用已发布的打分记录。算 $\phi$ 、 $\tau_{\rm cross}$ 、按源 × 长度带 × 难度的保留率表、 $\Delta_{\rm ext}$ 、 $\kappa_{\rm ext}$ 、 $\nu$ ，全部不需要 GPU。判定线预注册： $\phi\ge0.30$ 或 $\tau_{\rm cross}\le0.55$ 即认定口径错配成立，进第二步； $\phi<0.15$ 且 $\tau_{\rm cross}\ge0.70$ 则主轴作废，工作量整体转到第二、四本账。

第二步做外部锚标定。沿用 §5.2 的 300 任务 900 对协议。

「把极端对与相邻对分开报」这一条从本步删除——论文表 4 已按 high–low / mid–low / high–mid 三档分别报了 85.2% / 81.1%、74.2% / 77.0%、76.8% / 67.4%。本步只补论文没有的两项：一是跨任务对——两条轨迹来自不同任务，请评审判断「哪条更适合当学习材料」；二是把 full-order match 与 Spearman $\rho$ 列进主表，不用只报逐对一致率（论文只在表 4 末两行给了 45.7% / 41.3% 与 0.417 / 0.402，正文未讨论）。跨任务一致率是本方案的关键外部锚，因为它直接对上部署口径。五名学生与 Sonnet-5 双盲，200 条双人复核，目标 Cohen’s $\kappa\ge0.60$ 、跨任务一致率 Precision $\ge0.70$ 。

第三步补三臂对照，固定 SFT 配方不变。TMR 臂给 $\delta_{\rm TMR}$ ，被剔除池 Top/Bottom 臂给 $\gamma$ ，级联臂给 $\Pi(b)$ 。三臂各 3 个 seed，主表 8 个方法单元格同样补 3 seed，评测改报 McNemar 的 discordant 对计数，而不是只报 pass@1 点值。

第四步扫选择率与权重。 $K\in\{256,512,1{,}024,2{,}048,4{,}096,8{,}192\}$ 各训一次，看 Top−Random 的差是单调还是先升后平；权重敏感度换成全池 Kendall $\tau_K$ 与 Top-K 集合的跨扰动 Jaccard，并对 3 组权重各重训一次下游。

第五步做跨分布迁移。iac 依赖一个固定词典解析器把 thought 映到四类意图，这个词典是按 Qwen3-Coder-480B 教师的措辞写的。换一个 scaffold（SWE-agent / mini-SWE-agent 格式）的轨迹池重算，报 $iac$ 的未定义率（ $\mathcal{I}=\varnothing$ 的轨迹占比）与 concordance 衰减，检验「无裁判、可全库打分」的迁移成本。

主要挑战有三处。任务中心化需要每任务多条轨迹，而 38,382 条可用池铺在多少个任务上论文未给出， $m_x$ 偏小会让 $\hat\mu^{\alpha}_x$ 噪声主导，需要按 $m_x$ 分层报结果并以 $\alpha$ 收缩兜底。被剔除的 116,762 条超过 32,768 token，重训需要长上下文或序列并行，成本高于主实验，可用「截断保留后 32K」的近似臂先做，再在预算允许时补完整臂。跨任务人工评审的信度天然低于任务内评审，需要预注册更宽的置信区间，并把结论限定在「方向一致」而非「逐对吻合」。

预期成果

定量目标：给出 $\phi$ 与 $\tau_{\rm cross}$ 的点估计与区间，把「结构分编码的是过程还是任务身份」变成可引用数字；给出 $\delta_{\rm TMR}$ 在 3 seed 下的均值与符号稳定性，把 Top−Random 的 +2.8 点拆成任务选择贡献与过程质量贡献两部分；给出 $\gamma$ ，判定长度上限与结构分的贡献比；给出 $\Pi(b)$ 曲线上的最小可行预算 $b^{\ast}$ ；给出全部主表单元格跨 seed 的标准差。

判定线一并预注册： $\delta_{\rm TMR}\le1.0$ 个标准误即认定头条增益主要来自任务选择； $|\gamma|\ge2.0$ 个标准误即认定长度上限不是主要筛选器； $\Delta_{\rm ext}\le0.4\times32.9$ 即认定护栏撑起了外部校验跨度的一半以上；存在 $b\le8{,}192$ 使 $\Pi(b)\ge28.4$ 即认定级联优于纯结构分；3 seed 下 Top−Random 出现符号翻转即认定头条结论在单次抽样精度下不可复现。任何一条触发，原论文的对应结论都要改写，而不是被本方案替换。

定性影响：若口径错配成立，结构分在智能体语料策展里的用法会从「全局排序键」改回「任务内比较器」，配套的采样器要按任务分层取 Top-1 而不是全局 Top-K。若级联曲线有效，「结构分替代语义裁判」这句话会改成「结构分把语义裁判的预算压缩两个数量级」，成本—精度前沿第一次有量化形状。

引用核验记录

2026-10-18 编辑时逐条回源。一手源为 arXiv abs 页（标题 / 作者 / citation_date）与 arxiv.org/html/2610.13152v1 全文（表 1–13、图 2、附录 C/F/G/H/I）。

#	声明	一手来源	结果
1	标题 Quality, Not Just Outcome: A Structural Scoring Framework…	abs `citation_title`	✅ 完全一致
2	v1 2026-10-09	Submission history `[v1] Fri, 9 Oct 2026`；`citation_date` 2026/10/09	✅
3	cs.AI	abs 页主题	✅
4	7 位作者	`citation_author` 七条（Li Sida / Liu Yuanxin / Li Shicheng / Yao Linli / Sun Xu / Bai Haoli / Li Xiaohui）	✅
5	北大多媒体信息处理全国重点实验室 + 华为	文末作者块	✅；补充：前五人署北大重点实验室，Haoli Bai 与 Xiao-Hui Li 署 Huawei Technologies Co., Ltd.
6	CoderForge-Preview：258,134 条 OpenHands 轨迹 / 51,201 任务 / Qwen3-Coder-480B 教师	§3 正文	✅ 三项全中
7	155,144 条通过轨迹，按 `trajectory_id` 去重	§3 正文	✅
8	准入「≥3 步 + 分量覆盖 ≥4/7 + token 长 ≤32,768」→ 38,382 条	§3 正文原句	✅
9	保留率 24.7%；Smith 26.3% / Rebench 17.5% / Gym 33.4%	表 12	✅；补绝对数 89,501→23,569、44,739→7,821、20,904→6,992
10	32,768 是 SFT 打包预算（塞进 40,960 上下文）	附录 H	✅
11	七个分量名 $oec$ / $psn$ / $iac$ / $tte$ / $scp$ / $ped$ / $dpi$	§3 各分量定义	✅
12	权重 0.30 / 0.25 / 0.10×4 / 0.05	§3 Aggregation 原句	✅；分组合计信息聚焦 0.40 / 意图—动作 0.25 / 策略动态 0.25 / 护栏 0.10
13	分量 concordance 区间	表 1	⚠️ 订正：六个入选分量 0.541–0.640，护栏 `dpi` 0.591，复合 0.732；原稿把复合分混进了分量区间
14	被拒分量 `hcr` 0.527、BUS/TGCR/DCS-file ≤0.479、DCS-Jaccard 0.729（长度相关）	表 1	✅（本稿补记）
15	§5.2：300 任务 / 900 对 / 78.7% 与 75.4%	表 4 + 正文	✅；⚠️ 分母为 724（176 对不一致记为平局）
16	三档分开报	表 4	✅ 论文已做：85.2/81.1、74.2/77.0、76.8/67.4 → 本提案原第二步该条已删除
17	full-order match 45.7% / 41.3%，Spearman $\rho$ 0.417 / 0.402	表 4 末两行	✅（本稿补记）
18	表 2：任务 847/825、每任务上限 30/59、脏模式 1.0%/13.6%	表 2	✅
19	Bottom 与 Top 任务约束相同（847 / 30）	表 2	✅（本稿补记）→ 任务覆盖只能解释 Top−Random，不能解释 Top−Bottom
20	三个子集 source mix 均 61/20/18	表 2	✅ → 源比例这一项论文控制住了
21	Top.min 0.706 > Bottom.max 0.470	表 2 表注	✅（正文另见 0.7061 / 0.4696）
22	表 3：Top 27.6、Random 24.8、Bottom 21.8、Base 24.4	表 3	✅
23	GPT-4o 裁判臂 28.4 高于 Top 27.6	表 3 B5	✅
24	Hard 列 Top 6.7 对 Random 2.2	表 3	✅；补记：裁判臂 Hard 同为 6.7，Top-LM 4.4
25	B3 Shortest-K 24.2、B6 Top-LM-K 27.0	表 3	✅（本稿补记）→ 「长度无人分解」须限定，已加 ⚠️
26	表 5 消融：24.6 / 23.0 / 25.8，其中 w/o `iac` 低于 Random	表 5	✅
27	附录 G：众数步数带 $[25,40]$ 、复合 pair-AUC 1.000、`psn` 0.839	表 11	✅
28	附录 I：只扰动 $w_{oec}$ / $w_{iac}$ / $w_{dpi}$ ，Top-1024 重叠 93.1–99.6%	表 13	✅
29	图 2：413,278 条记录、十分位 resolved 率 54.1%→86.9%、跨度 32.9 点	图 2 正文	✅；⚠️ 该记录集含 release 的 reward-1 便利分片，不全是 155,144 通过轨迹
30	裁判成本约 2,750 美元（38,382 条）	附录 F	✅；补记：全部 258,134 条约 18.6K
31	`tqs` 43 ms/条、四进程 87.5 条/秒、全库约 49 分钟	附录 C	✅；补记：单进程全库约 3.1 CPU-小时、约 $0.1–0.2
32	反推 $\bar c_{\rm judge}\approx0.0716$ 美元/条	2,750 / 38,382 复算	✅
33	相关工作 2605.21996 / 2602.03219 / 2602.02050 / 2504.07164 / 2505.20411	五个 abs 页	✅ 标题与日期全部吻合

本轮订正与边界

订正三处

「长度上限与结构分各自贡献多少，无人分解」说过头了。 表 3 已有 B3（纯长度选，24.2，低于 Random）与 B6（Top 但长度匹配 Random，27.0，仅比 Top 低 0.6）两条臂，池内长度混淆的贡献被压到 ≤0.6 点。已改为：池内不必再做，第二本账只针对被 32,768 剔除的 116,762 条。
「七个保留分量的 concordance 落在 0.541–0.732」把复合分混进了分量区间。 分量区间实为 0.541–0.640，0.732 是复合分。
技术路线第二步的「三档分开报」论文已做。 表 4 已按 high–low / mid–low / high–mid 分报。该条已删除，第二步改为只补跨任务对，并把 full-order match 与 Spearman $\rho$ 推进主表。

补记两条对 ECSL 判定线有直接影响的量

分母：900 对中 176 对裁决不一致被记为平局，78.7% 的实际分母是 724。折算到 900 对是 63.3%。凡引用该一致率都要写明分母。
上界： $\delta_{\rm TMR}$ 的解释上限不是 +2.8 全部。Bottom 与 Top 的任务约束相同（847 / 30），故 Top−Bottom 的 +5.8 点不含任务覆盖效应；任务选择最多解释 Top−Random 的 +2.8 点中由 847/825 与 30/59 两处不对齐撑起的那部分。

本轮未核到、不作决策依据的两条

38,382 条可用池铺开在多少个任务上，论文未给出（表 2 只报了子集层面的 847 / 825）。ECSL 第一本账的 $m_x$ 偏小风险因此无法预先量化。
表 3 六条基线臂各自的 Hard 桶规模论文未给出，本稿沿用「按 100 / 60 条反推标准误」的估计，属量级判断而非一手读数。

终审补充核验（2026-10-18）

编辑轮的 33 条核验记录逐条重跑一手源（arxiv.org/abs/2610.13152 的 citation meta + arxiv.org/html/2610.13152v1 全文），0 处事实错误。终审另外确认的六项：

表 4 逐格命中：85.2 (208/244) / 81.1 (198/244)、74.2 (190/256) / 77.0 (197/256)、76.8 (172/224) / 67.4 (151/224)、Overall 78.7 (570/724) / 75.4 (546/724)、Pooled concordance 73.3 (631/861) / 76.2 (656/861)、Full-order match 45.7 (137/300) / 41.3 (124/300)、Spearman $\rho$ 0.417 / 0.402。176 对平局、分母 724 均出自正文原句。
表 2 逐格命中：Tasks / repos = 847/209、847/204、825/217；Max per task = 30 / 30 / 59；Dirty flag = 1.0 / 64.3 / 13.6；Mean steps 34.2 / 53.0 / 41.0；Mean tokens (K) 28.1 / 26.3 / 26.9；Source mix 三列同为 61/20/18。Bottom 与 Top 的任务约束确实完全相同（847 / 30），编辑据此给 $\delta_{\rm TMR}$ 定上界的推理成立。
表 3 全量命中：B0 24.4、B1 24.8、B2 21.8、B3 24.2、B4 25.2、B5 28.4、B6 27.0、Ours 27.6；Hard 列 Random 2.2 / Top 6.7 / 裁判臂 6.7 / Top-LM 4.4 四项全部一致。
权重结构与分组合计： $w_{oec}=0.30$ 、 $w_{iac}=0.25$ 、 $w_{psn}=w_{tte}=w_{ped}=w_{dpi}=0.10$ 、 $w_{scp}=0.05$ ，正文另给分组合计 0.40 / 0.25 / 0.25 / 0.10，与「0.30 / 0.25 / 0.10×4 / 0.05」的写法自洽。
附录三处：附录 D 的 Top-1024 阈值 0.7061、Bottom-1024 阈值 0.4696、间隔 0.2365；表 11 的众数步数带 $[25,40]$ 、复合 pair-AUC 1.000、 $psn$ 0.839；表 12 的 89,501→23,569（26.3%）、44,739→7,821（17.5%）、20,904→6,992（33.4%）、155,144→38,382（24.7%）——全部一致。
五篇相关工作编号与日期全部吻合：2605.21996（2026-05-21）、2602.03219（2026-02-03）、2602.02050（2026-02-02）、2504.07164（2025-04-09）、2505.20411（2025-05-26），标题逐字一致。另补一条：附录 B 给出 300 个任务的来源构成——SWE-Smith 181、SWE-Rebench 85、R2E-Gym 34。

复算复核：两比例独立标准误 $\sqrt{0.276\cdot0.724/500+0.248\cdot0.752/500}=2.78$ 点， $2.8/2.78=1.01$ ；Hard 桶 n=100 时 2.90 点（1.55 个标准误）、n=60 时 3.74 点（1.20 个）； $155{,}144-38{,}382=116{,}762$ ； $2{,}750/38{,}382=0.0716$ 美元/条。四处与正文一致。