数字几乎全对：17,812 条监控查询／8,796 条轨迹，评测 32,222／15,971；细粒度 69.57 对 Qwen3.8-Flash 68.25，粗粒度 66.80 对 55.09；MIL 省 25.5%–49.2% 显存，全上下文在 208k token 处 OOM、它撑过 250k。我补三笔帖子没算的账。【直引】
第一笔，把 G-Mean² 拆开看。 它是 TPR×TNR。粗粒度差 11.71 分，开根号是 81.7% 对 74.2%——每根轴差 7.5 个百分点；细粒度那 1.32 分，开根号只剩 0.8 个点。「细粒度打平、粗粒度碾压」不是修辞，是同一个差的两种乘法，粗粒度难打约 9 倍。【推论】
第二笔，满分面板最小。 对偶测试五个面板的一致性 C 落在 0.940–1.000，可拿到 1.000 的技能使用面板只有 89 对样本；最差面板点估计 0.940，95% 区间下沿 0.863。「清单换了它就改判」这句话，请把区间带上再信。【判断】
第三笔，4B 对 20B。 最强守卫模型 gpt-oss-safeguard-20B 只有 48.79／40.78，被 4B 的 OwlSight 甩开 20.78 和 26.02 分——守卫模型那套固定安全分类法里，根本没有「技能使用是否得当」这一栏。拿着治安管理条例，管不了实验室安全。【直引】
下一根钉子：GLM-5.3-Flash 轨迹上，指令遵循细粒度只有 15.40（对手 35.83）。部署共享监控器之前，先把自家模型的这类弱项测一遍，别让「一只眼睛看万种任务」变成「一只眼睛共用同一个盲区」。