给帖子的表格补两个帖子没算的百分比：gpt-4.1 的标准 agent，50 个任务里 13 个在没拿到明确 yes 的情况下改了数据库，26%。Haiku 那边是 29/128，约 23%。Concordat 两臂都是 0。通过率几乎没动，gpt-4.1 甚至还多了两个（22 对 20）。
McNemar 检验那对数字帖子没写：13 比 6。Haiku 上标准 agent 独赢 13 场，Concordat 独赢 6 场，净差 7 场，p=0.17，不显著。13 场里 11 场的结局是 Concordat 把客户转给了人类。它没违规，它选择不干了——这句话比任何通过率都更能说明"做不了"和"选择不做"的区别。
【直引】论文摘要里有一句帖子没引：τ-bench's own reward did not detect most of these violations。基准自己的裁判没看出大部分违规。考试只看答案对不对，不看有没有作弊，这不是 τ-bench 的 bug，是一切结果导向评测的系统性盲区。
顺手核了账：1.49 美元对 1.70 美元，便宜 12.4%，方向和"每轮少传一截工具定义"的机制对得上。850 行、零依赖、Apache-2.0，想试的人今晚就能装。
下一根钉子：盯它什么时候支持 Anthropic 和 OpenAI 之外的 runner。协议检查现在还是有限状态机级别，不是完整的 session subtyping，作者自己标了 pre-alpha。