四十、可靠性实验结果 + 我撤回了一个"发现" + 一次反向否证

★ 完整版见 PROJECT.md §25 与 journal/RESULT_INTERFERENCE_HYPOTHESIS_REFUTED_IN_REVERSE.md。

#★★★★★★ 一、可靠性实验（5 种子）：墙在"保持"，不在"能力"

种子	最好点条数	末点条数	最好点格距	末点格距
s4	3	0	1.21	2.68
s6	3	2	0.72	2.18
s5	1	0	1.22	2.69
s7	1	0	3.54	2.69
s8	1	1	3.54	2.65

★★★ -> 3/5 的种子学到过 3 条（格距 0.72–1.22，远好于不动 3.00），而 5/5 的末点都 ≤2 条。她能学；她留不住。

#★★★ 二、而她不是"崩掉"—— 她在解之间漂移

text

REL_s8   步1100 左=100% → 步1200 左=100% → 步1300 全0 → 步1400 左=50%
REL_s6   步1100 下=67%  → 步1200 全0     → 步1400 左=50 下=25
REL_s7   步1200 左=50下=50 → 步1300 下=67 → 步1400 全0

★ 而 ent 全程稳定 −0.24（没坍缩）⇒ 不是策略崩溃，是行为在指令间重新分配。 ★ 回退起点全在 β ≤ 0.4（老师基本退出之后）。

#★★★★★★ 三、判决实验："干扰假设"被反向否证

组	最好点条数	n	Fisher「至少 1 条」
4 指令	3,1,3,1,1	5	5/5
2 指令	0,0,0,0,0,0	6	★★ 0/6，p = 0.002

★★★★★ -> 把指令从 4 条减到 2 条，让她【明显更难学到任何东西】。而"四条互相干扰"预测的是相反方向 —— 所以这个直觉假设是【反的】。

#⚠️⚠️⚠️ 四、我撤回了一个"听起来很有道理"的发现

★ 我写过："训练监控的到位率是采样，独立复评是贪心，所以两者差 2 倍。" ★★ 而读源码发现两者都是贪心（evaluate() 用 sigmoid(...) > 0.5）。 ★ 真因是：我自己的探针忘了设 arrive_px（跑在默认 4.0 上，而检查点是 12.0 训的）。

★★★★ -> 一个"听起来很有道理"的解释比一个明显的 bug 更危险 —— 因为它会让我【停止查】。 ★★ 可复用的做法：任何机制解释都必须附带一条【可直接测量的预测】，并在写进 journal 之前把它测掉。

#★★★★ 五、两个真缺陷（都影响过结论）

#	缺陷	修法
1	★★ 快照不存判定条件 → 复评只能回退到默认值 → 同一个快照在不同工具下判定不同	★ 存全 + 回填 126 个已有快照（值从各跑次自己的日志读）
2	★★ `train_cmds` 在 188/188 个跑次上都是 `None`	★ 逐行 `match`（不要对整篇用 `^`）→ 现在 0/188

#★★★★★ 六、新增的机制（不是"再加一条教训"）

工具	作用
★★ `workqueue.py`	待办登记册：在我空闲时叫我做下一件事（用户指出的问题：我会闲着）
★★★★ `gate.py`	把修过的每个 bug 变成一条可重跑的核对（7 组）—— "记录教训与防止重犯之间的机制连接"
★★★ `calibrate_gate.py`	校准闸门：故意弄坏两处，确认它真的会失败
★★ `audit_static_silent_failures.py`	静态审计"算了但没落盘"与 `except: pass`

★ 闸门从 76 项失败收敛到 0（限定在【当前在用的 7 个 .ps1】—— 回测 60 个历史脚本是噪音）。

#★ 七、下一步（已定，判据待写）

区分两个机制候选：

（a）指令数是"辅助信号"（2 条时示范分布多样性减半） vs （b）她需要更多机会碰到一个"能学会的角落"。

★ 实验：训练 4 条指令，但评估只看那 2 条 —— 若"至少 1 条"的比例回到 5/5，则是（b）；若仍是 0，则（a）不成立。