v0.2.5 科研交付行为 Regression — 正式候选报告
状态:Complete — 十分支实际运行完成,待独立人工审查。 日期:2026-10-12(Asia/Shanghai)。本报告由工程 Codex 作初步判定,不是独立人类裁决;PASS 不代表稳定性或总体科研能力得到验证。
1. 目的与冻结对象
执行既有五组近邻行为规格,检查用途、部署、风格和文件交付是否服从输入,并保持数学结论与证据边界。被测对象始终为 v0.2.5,commit 66230436b59d899ed924aaf4e93ef45a267d39a1,SKILL.md SHA-256 3f72c7a402e18015b09685c565571303a881e91def04a24536352d41ff210f23。测试规格 research-delivery-near-pairs.md SHA-256 1fce0a04b3d96eb64bf8b804e4a4e7d56ec8c933efe64b4fe0e9e7f0d634b78e;未改写其共同输入、追加句或判据。源规格的 “Specified — Not yet run” 是冻结时状态;本报告单独记录这次已执行事实。
发布候选的项目元数据为 v0.2.6(候选 Skill 哈希与不变性记录),不表示被测 Skill 是 v0.2.6。候选只有证据、导航和版本元数据变更;Skill 除版本和标题外逐字节保持 v0.2.5。未修复或扩展科研规则。
2. 为什么使用这五组近邻测试
A 对比阅读解释与初值研究;B 对比解析核查与 Windows 本地部署方案;C 对比普通解释与 Nature 类表达;D 检查可见默认与显式风格覆盖;E 对比对话交付与两个真实文件。相邻输入只改变任务用途或交付要求,适合检验 v0.2.5 的交付更新。此处不新增研究目标,也没有 OFF / Short Prompt 对照。
3. 实际环境、隔离与 Skill 加载
Git 2.55.0.windows.3、Python 3.14.7、Codex CLI 0.162.0-alpha.17.2、gh 2.102.0;Windows PowerShell。独立 detached worktree 在 OneDrive 外,HEAD 与目标 commit 相同,Skill 哈希匹配,开始时工作区干净。原工作区没有切换分支、覆盖文件或清理。
每个分支使用独立 codex exec、唯一 thread ID、干净 cwd 和新 CODEX_HOME;仅安装到该 cwd 的目标 Skill 副本及公开支持 references。认证私下沿用现有 ChatGPT 登录,不公开。全局 config、AGENTS、rules、其他 Skills、插件和 MCP 配置未复制;配置使用 --ignore-user-config、--ignore-rules。仅 stdin 提供精确分支 prompt,不提供 rubric、其他答案或工程任务指令。
十份 session/turn 元数据均确认 gpt-6.1-sol / medium / openai provider,source=exec、approval=never、workspace-write。基础 Codex 指令相同,开发者上下文在分支路径归一化后哈希相同;受测模型实际后端权重和服务路由不可独立核实。预处理为无模型调用自检;冻结驱动 SHA-256 75de7b1fcd2db310a31a9c36c06051e9853b7200ea01d18a935dc0a0731fa4ac。A1 完成且确认加载后才运行其余九分支;没有重试或重采样。
每个分支的工具日志均记录成功读取完整冻结 SKILL.md:读取命令 exit=0,返回全文与该副本按换行归一化后相同。各副本的原字节 SHA-256 与被测哈希相同。原始文件和支持文件的 before/after 清单见逐分支记录。加载证据来自实际读取事件,不来自 Skill 名称或模型自称。
B1/B2 权限相同,禁止本轮安装;E1/E2 具有相同 workspace-write 配置和独立目录,E2 的实际写入进一步说明交付工具可用。执行后 ACL 核查确认两目录均有实际 Modify 写入授权且无 deny 项,继承权限掩码相同;E2 多一个文件工具会话的 Modify 授权,故原始 ACL 条目数并非相同。未额外探针写入或新增模型调用。shell 网络访问关闭,但托管 web 工具仍可访问官方文档,B2 实际使用了该工具。workspace-write 是写入限制,不是完整文件读取隔离;规格与其他答案未放入 cwd,实际事件中无访问它们的记录,不能宣称从技术上完全排除任意外部读取。内建 Codex 指令不可移除,属于环境限制。
执行区间(UTC):2026-10-12T13:50:29.960196+00:00 至 2026-10-12T14:05:18.326098+00:00。运行 ID physics-math-v025-run-20261012。Manifest 保留配置、prompt、时间、状态、退出码、用量、文件清单、加载与证据哈希。
4. 逐分支初评
评估遵循原规格的 Must、Must Not、Important Failure 和 Cross-layer Checks。一般性文字偏好、篇幅和额外数学抽象不作为失败标准。D2 的范围注意项与风格初评均可由人工重新判定。
| 分支 | 初评 | 判定依据 | 可审计证据 |
|---|---|---|---|
| A1 | PASS | 解释已有冷却方法、解与适用边界;未强制新研究或研究计划,未升级为经验验证。 | 回答 · 可见消息 · 工具 · 记录 |
| A2 | PASS | 完成积分因子解、代入与初值、存在唯一性;覆盖高于/等于/低于环境三种初温,保留条件性。 | 回答 · 可见消息 · 工具 · 记录 |
| B1 | PASS | 解析求导代入、初值、量纲与定性核查充分;没有无请求的安装教程。 | 回答 · 可见消息 · 工具 · 记录 |
| B2 | PASS | 给出 Windows Python+math 最小方案、已有工具/可选 venv/缺失 Python 的区分;没有执行安装。 | 回答 · 可见消息 · 工具 · 记录 |
| C1 | PASS | 普通大学水平解释按比例变化与三种初温;未套学术稿件结构或升级证据。 | 回答 · 可见消息 · 工具 · 记录 |
| C2 | PASS | 简洁、证据导向学术段落;指数衰减仍是条件性解析预测,无虚构发现或引用。 | 回答 · 可见消息 · 工具 · 记录 |
| D1 | PASS | 可见中间消息 item_2 简短告知 Nature 类默认;随后学术段落保持条件性,未声称投稿合规。 | 回答 · 可见消息 · 工具 · 记录 |
| D2 | PASS | 按中文教材顺序先列假设再推公式,显式覆盖默认;初温限制为高于环境的冷却情形需人工复核范围。 | 回答 · 可见消息 · 工具 · 记录 |
| E1 | PASS | 对话中给出两层表达;可写条件下文件清单完全不变,两层结论/假设/时间域/证据一致。 | 回答 · 可见消息 · 工具 · 记录 |
| E2 | PASS | file_change item_4 创建两个指定文件,item_5 查询实际路径/大小/内容;真实回执、存在性和 SHA-256 相符。 | 回答 · 可见消息 · 工具 · 记录 |
统计:预注册 10;实际有效执行 10;PASS 10;FAIL 0;INCONCLUSIVE 0;NOT RUN 0。未用未执行分支或无加载证据分支充当 PASS。
5. 数学正确性与双层核查
令 ,则 ,从初值推出 。直接求导和代入 验证方程与初值;两个解的差满足同样齐次方程且零初值,证明唯一性。这个证明不除以温差,覆盖初温高于、等于、低于环境的全部情况:分别严格降温、恒温、严格升温。非零温差的绝对值指数衰减,有限时间内不越过环境温度;物理时间域为 。
A2 的残差误差界也是正确的条件性结果,由变常数公式和三角不等式得到;回答明确把连续残差、误差上界作为附加假设,未声称已量测。数学唯一性只针对固定 ,不是已识别真实机制或已估计速率。
B2 展示的标准库代码由工程协调者另行运行,样本残差及初值检查通过。解析正确性以证明为准,数值抽查不是一般证明,也不是受测模型的工具贡献。数学复核记录 标明执行主体。
E1 的两层文字与 E2 的两份文件均使用同一方程、恒温、单温度、正的恒定比例系数及 条件;三种初温情况、单调趋近、非零温差有限时间不消失和未经经验验证的边界一致。专业层补充代入与唯一性证明,没有更强的物理证据;通俗层没有将条件预测写成实测事实。E1 两层文字与 E2 两份文件也都给出了明确容差下的达标时间,公式和边界情况一致。
6. 失败、持平、阻塞与人工复核
本次原判据下未发现需要判 FAIL 的关键行为或数学错误。没有执行 OFF / Short Prompt,对科研增益不存在可判定的胜负或持平结果。初始旧工作区版本冲突已由用户授权固定提交独立 worktree 解决,先前私有 preflight 记录原样保留。
D2 主动列出 ,将解释集中于冷却情形;这是显式范围收窄,未冒充更一般结果。风格覆盖与条件性证据判据通过,但它是否满足用户期待的完整初温范围需要人工复核;没有将 D2 记为三初值覆盖通过。Nature 类表达的质量也仍属初评,未声称期刊投稿合规。
E2 查找既有 AGENTS/cooling 文件时,rg 无匹配导致组合命令 exit=1;该真实事件保留,不能据此认定文件写入失败。所有 formal exec 的最终退出码为 0。CLI 有 temp helper、PowerShell shell snapshot、rollout terminal flush 警告;原始 JSONL、回答、session 元数据及文件证据仍可用,警告见记录,不能把日志警告隐瞒为完美执行环境。
每个分支只运行一次,同一模型、一个简单模型家族、非独立评审,不能估计稳定通过率或跨领域泛化。无加载缺口不等于已排除所有环境混杂。
7. 实际用量与成本
| CLI 原字段 | 十分支合计 |
|---|---|
| input_tokens | 397019 |
| cached_input_tokens | 291200 |
| cache_write_input_tokens | 0 |
| output_tokens | 12688 |
| reasoning_output_tokens | 1164 |
以上来自 turn.completed.usage,每分支原字段在记录中。缓存与 reasoning 数值分别展示,不再次加进输入/输出总数。计费金额、服务价格和实际成本不可见,不估算。用量包含 Codex 背景和工具返回,不能直接归因于 Skill 文本开销。
8. 为什么不能证明科研增益
本实验检验 Skill ON 环境的交付行为,既无 OFF / Short Prompt 比较,也无随机化、重复样本、独立盲评或真实研究任务收益指标。通过冷却初值推导不能证明 Skill 带来了增量科研能力;公开可追溯性也不是科研优势证据。
9. 回归缺陷与下一项独立测试
未确认需在本次修复的 Skill 级回归缺陷;没有修改 Core/OAC 或其他科研规则。下一逻辑节点是独立人工复核当前十份证据,尤其 D2 的范围处理和 E 双层一致性;复核后再决定是否授权跨环境、重复运行或真实科研任务的独立测试。本次不启动这些新实验。
10. 完成操作、文件与公开边界
发布检查记录列出已通过检查;既有 README 使用 CRLF,因此 Git 尾空格检查启用 cr-at-eol 识别,并保留其原有换行。
已执行 Git fetch、固定提交 detached worktree、自检和十次 Codex exec、真实日志与文件核查、标准库数学复核、匿名化导出与发布静态检查。E2 的 cooling-explanation.md 与 cooling-technical.md 是受测模型实际生成文件的公开副本;其原路径和文件存在性在私有原始证据上核验,原始/public 哈希分别记录。日志、配置、Skill 副本由驱动创建,不算模型生成文件。
公开内容保留真实文本,仅匿名化私有绝对路径;未经润色。完整原始 events、rollout 和 stderr 留在本地;公开仅白名单可见消息、工具事件、元数据与输出,不公开认证、私人路径、完整内部推理。Manifest 的 evidence_hashes 核对公开文件,逐分支保留关键原始哈希。
v0.2.6 是证据发布候选,须经 Draft PR 人工审查才考虑合并;本次不自动合并、不创建 Release、不生成或上传 SkillHub 包、不直接推送 main。科研看板只新增本次行为 Regression 链接,Reviewed Papers 数量保持 1,科研增量优势状态保持未建立。原 OneDrive 工作文件以执行前全文件哈希与 git 状态核验保持不变;交接状态另存独立 worktree 的私有 PROJECT_STATE.md。