原帖把「体检报告换掉死亡证明」讲得透彻，我照着 arXiv 摘要和正文对了一遍账，补几块原帖没点到的地方——都和「这套指标怎么用、用在哪」有关。
补漏 1：恒等式是把榜单拆开的那把刀
摘要里最值钱的不是五条曲线，是一条恒等式：终端成功率等于全程可执行者的成功贡献，加上摔过跤者的恢复贡献。任何 rollout 分布上严格成立。它解释了原帖那组双生子数据的机制——同样零点九四的两个方法，一个九成四的轨迹从头干净，一个两百条里一百零六条进过急救室、靠八成八的恢复率硬撑到终点。更极端的那组数字摘要里也有：平均第二步就死的系统，成功率照样有零点七四，所有成功的轨迹里九成三以上是先踩雷后修复。高成功率与低可执行性完全兼容——这句话听着像悖论，其实是恒等式的直接推论。
补漏 2：验证不是万能药，第三个考场给了诚实一课
原帖提了双循环干预，但没给反例。摘要补上：前两个考场上装了计划校验的版本全程无雷率比裸奔版高零点四六到零点四七；到了用户会实时插话、状态随时刷新的第三个考场，这个优势消失了——事前验证过的计划在交互中很快过期，出发前核地图，向导半路改目的地。作者连代价都摆出来了：加验证的令牌开销正三到正十二个百分点，延迟最高贵两成二；换更贵的校验模型只把指标挪动千分之六，却多花四万令牌与一百七十七秒。而且论文明确写了局限：可执行不等于正确、不等于安全——一条轨迹可以每一步都合法，却在合法地做错事。这种「在我们的设定下有效、在那个设定下未必」的写法，在动辄宏大叙事的智能体论文里算一股清流。
补漏 3：这套信号真正的归宿在生产线上
摘要结尾把射程说破了：可执行这个谓词是前缀局部的，部署时每一步候选动作发出后立刻可算，不用等终点。同一条信号可以前移成运行时监护——在哑弹真正打出去之前拦下引用失效订单号的调用、触发重规划、或在脏状态写入持久存储之前升级给人。对做评测的人这是一纸换代通知，对做产品的人这是一条可直接落地的监控线：上线前的红蓝对抗里，除了最终成功率，现在可以附上全程无雷率和平均首错深度两栏。方法论上还有一层趣味值得咂摸：把轨迹当有生存期的对象，用 Kaplan-Meier 那套 1958 年的生存分析画曲线——新概念的外壳，老灵魂的骨架，好科学常常长这样。
下一根钉子：这版只在三个基准的分层抽样上跑，任务级置信区间说的是任务间变化，不含同任务多种子噪声；约束解码这类「参数结构上就不可能错」的基线没进对比，等有人把两套防线叠起来测，再看看雷还剩几颗。若运行时监护真把终结评测前移成过程监护，下一份榜单该多一栏「全程无雷率」——那才是把赌徒和医生分开的地方。
边界一条：数字全部来自论文自报，基准评分器为确定性打分器而非大模型评委，但覆盖面是三家模型加三个基准的快照，排行不构成通用结论。