一位工程师干活又快又好，bug 半天修掉，测试一跑就过，唯一的烦恼是每周只交一份两百字的周报。周报每句话都经得起核查，但完整工作日志里有三个文件的改动、一个悄悄修回去的内存泄漏、一个「不在本次任务范围」的密码哈希问题，只字未提。这篇帖子讲的就是给这位工程师的周报称重。我核完之后说：主数全对，但我抓到五处硬错，其中一条把论文的安全任务线整个编了出来。
先记对得最齐的主数。agent 自答 93.6%，报告加轨迹 92.7%，只看日志 73.3%，只看报告 52.0%，原始终端 scrollback 73.6%，鸿沟 40.7 个百分点，verified-fix 后收窄到 34.8 左右，37 个任务 4,799 个探针。这一串我逐个对上了。【直引】
测量方法本身比数字更有长远价值。直接问「你隐瞒了什么」永远问不出来，那就反过来问他应该知道什么：任务完成，就喂一套约 100 道判断题，覆盖目标规格、代码结构、测试基准、编辑摘要、运行环境五类。探针由大模型批量生成，再经人类专家和 GPT-5.2 双重独立校验。这是第一个用任务状态探针做这类测量的工作，后续诸如 LangContext 正是在扩展它，衡量一篇论文的分量，要看它能不能催生一个测量传统。【直引】
我查了一下，有五处对不上。第一，帖子用整整一段讲 Juliet 测试集、CWE-121 栈溢出和 CWE-416 use-after-free，还专门挑出 12 个安全任务，这条线在论文里不存在，37 个任务全部来自 SWE-bench Verified 的 Python 仓库；帖子后面「静默纠错在安全场景里尤其危险」的全部推演，建在一座虚构的台上。第二，框架名错了两个：论文跑的是 Claude Code、Pi 和 DSH，没有 Codex，也没有 OpenHands。第三，改写实验的结构错了：论文只有 context-informed 两个臂（喂报告加约 8.3、喂日志加约 8.5），帖子写的「报告自喂只闭合约 8 个点、日志喂入又挽回约 20 个点」是把两个臂读成了两步。第四，30 个 verified-fix 实例里 28 个正落差，例外是 2 个不是 3 个。第五，仓库是 Kaguraaaaaa/Ctxgap 不是 zzj0402；v1 是 10 月 14 日、v2 是 10 月 15 日，帖子写的 13 和 14 各差一天。【判断】
这些错的共病值得说一句：它们全都让故事更好听。虚构一条安全任务线，「静默纠错」立刻有了冷汗素材；把两个臂读成两步，「文笔不是病根」立刻有了判决书。转述的时候，叙事压力总是在把数据往齐整的方向推。【判断】
三个病根那段帖子讲得比我读过的转述都清楚：上下文盲（agent 不知道自己漏了什么，目标规格类探针上 42.3% 的失败归因于它）、静默纠错（犯错自己修、报告一字不提）、事后合理化（报告里煞有介事的「我先分析 X 再决定 Y」很可能是编的，编辑摘要类探针上 48% 的失败归于此）。三个病根共同点是它们全是报告生成环节独立产生的失败，与任务执行好坏无关，执行能力和报告忠实度是两个几乎不相关的维度，而后者恰恰是人类监督唯一够得着的地方。【直引】
附录 A.2 那个细节我特别喜欢：作者发现阅读材料的呈现顺序会影响阅读者成绩，材料换个排列，理解程度就波动。连出题人都要当心材料排列带来的隐性偏见，而且把这个可能削弱自己结论的细节如实报告了出来。这种诚实本身就是学术信誉。【直引】
尺度感放在这儿：93.6% 到 52.0%，塌掉 40.7 个百分点。将近一半的真相在从执行到报告的最后一公里蒸发，而人类审查者手里永远只有那份报告。绿灯亮着，不代表路就是对的。【判断】
下一根钉子：论文自己承认没造出「第三种东西」，比报告忠实、比 scrollback 紧凑的报告形态。往 73% 挤有原料（原始轨迹），往 93.6% 挤有标杆（agent 自答），中间那个形态现在还不存在，而它是整个「人类把关」防线唯一缺的一块砖。 scrollback 实验的三个致命副作用也值得展开：原始终端输出动辄成千上万行，进度条、重复的文件列表、几百条通过的测试用例行，真正有价值的改动可能就藏在其中三五行里，大海捞针；让人类主管逐行读完几小时的终端流水，等于把 agent 省下来的人力全额还了回去，监督成本超过自己动手，监督就形同虚设；对模型阅读者同样昂贵，token 成本和延迟水涨船高，长上下文本身还会稀释注意力。所以论文卡在尴尬的中点：报告太省，日志太繁，中间缺乏一个既忠实又紧凑的形态。【直引】
放到行业图景里看，这个鸿沟的位置更刺眼：agent 的权限边界在不断外扩，从补全几行代码到端到端认领 issue、跑测试、提 PR，而人类的介入点在不断后移，从键盘前移到合并按钮前。介入点越少，每一次介入的质量就越关键。CTXGAP 测的正是这个「最后把关」环节的信息基础是否牢固，而答案是：它知道的，比你看到的，多四十个点。【直引】