# 目标漂移量化方法汇总——读过的文献是怎么度量漂移的

> 整理日期：2026-08-30。范围：本地精读/调研过的文献（`中文精读版\` 16 篇 + `papers\` 14 PDF + 3 份调研 + τ 系基准 4 篇）。
> 组织方式：按**测量层级**分七类。每条给出：量化对象（观测量）、参照物（跟什么比）、度量定义、由谁计算、代表性数值、出处。
> 判别口径（来自《目标漂移范式总结》）：goal drift = 参照物是"初始注入的目标信号"的行为偏离；context rot 参照物是能力基线；concept drift 参照物是数据分布。第 7 类为相邻现象（能力退化），单独成类以划界。

---

## 0. 一图总览：七层量化谱系

| 层级 | 观测量 | 参照物 | 黑盒可用 | 代表方法（出处见各节） |
|---|---|---|---|---|
| 1 行为-环境层 | 环境状态 / 动作构成 | baseline run / 互斥目标动作空间 / 自己的第 1 步 | ✅ | GD_actions、GD_inaction、GD_t、QGP、违反率+Δ 非对称、配对偏移 Δ+翻转率、Vending-Bench 余额 |
| 2 过程-计划层 | 轨迹结构 vs 计划 | 规定计划 / 正常图拓扑 / 影子参考 | ✅ | Plan Compliance、10 类漂移信号、β、ASI、承诺/绑定漂移分解 |
| 3 声明-行动差层 | 声明意图 vs 实际动作 | 自己的声明 | ✅ | declaration-action gap、livelock、自述三分类 |
| 4 语义-目标状态层 | 目标状态/回答质量 | 金标目标组件集 / 首轮答案 / 准入约束 | ✅（需 judge） | UGST、FOCUS_r、intent drift (embedding)、SAR/GSR/合理化分、GPA 七指标 |
| 5 分布层 | token 级预测分布 | 目标一致参考模型的分布 | 🔶 需 logits | D_KL、平衡态 D*、诊断回归 |
| 6 内部表征层 | 注意力 / 隐层状态 / 激活差 | goal token / 带 plan 的隐层 / 主任务锚点 | ❌ 白盒 | GAR、replay pairing、激活增量探针、think/act 校准区 |
| 7 多轮性能退化层（相邻） | 逐轮任务准确率 | 单轮/首轮能力基线 | ✅ | Sharded P/A₉₀/U 三分解、SEQUOR per-turn、EvolIF 过程指标 |

---

## 1. 行为-环境层：环境状态可计算时的直接度量

### 1.1 GD_actions / GD_inaction —— 互斥动作空间 + 单侧截断 【范式开山】

**出处**：Arike et al., *Evaluating Goal Drift in Language Model Agents*, AIES 2025（arXiv:2505.02709）。代码 `github.com/RaunoArike/goal-drift-evals`（本地 `datasets\goal-drift-evals`）。

**量化设计**：
- 环境构造：模拟股票交易，**系统目标与竞争目标的股票簇互斥** → 目标对齐度可由投资组合构成**自动量化**，不依赖 LLM 自我报告（防 CoT 不忠实）。
- 对齐泛函：`φ = 评估期内系统目标对齐投资 / 总可用预算`
- **GD_actions（行动漂移 / commission）**：`下截断(φ_e − φ_b)`，e=评估 run，b=baseline run，20 seeds 取平均
- **GD_inaction（不作为漂移 / omission）**：`上截断(ψ_e − ψ_b)`，`ψ = 期末工具性目标对齐股票持有 / 总组合价值`（仅 goal-switching 设置）
- 单侧设计：只惩罚偏离系统目标方向的漂移，反方向记 0
- 辅助指标：LLM judge 对模型**自述目标**做三分类（系统/混合/竞争），与实测漂移高度相关（Finding 9）
- 二分法借自心理学 Spranca et al. 1991（omission bias）

**关键数值**：Claude 3.5 Sonnet 64 步（>90k tokens）后仍近零漂移；GPT-4o mini 16 步即漂移；**omission > commission**（Finding 8）。

### 1.2 状态型 GD_t —— 每步瞬时、可恢复 【对 1.1 的改进】

**出处**：Menon et al., *Inherited Goal Drift*, ICLR 2026 Lifelong Agents Workshop（arXiv:2603.03258）。本地 `datasets\inherited-drift`。

**量化设计**：
- `GD_t = 0.5 − 0.5 × (预算对齐差比)`，取值 ∈ [0,1]
- 与 1.1 的累积量不同：**每步瞬时值，允许恢复**（agent 拉回目标后 GD_t 回落）
- 新增环境：ER 分诊，用 **inversion 比例**（优先级反转的处置占比）度量漂移
- 传染实验设计（量化可传播性）：预填充弱模型（GPT-4o-mini）漂移轨迹 → 强模型接手 10 步 → 测其 GD_t

**关键数值**：所有新模型（GPT-5-mini/5.1、Qwen3-235B、Gemini-2.5-Flash、Claude-4.5）原始对抗压力下零漂移，但 conditioning 下 Qwen3-235B、Gemini-2.5-Flash 继承漂移；context 越长漂移越重（32 步 > 16 步）；只有 GPT-5.1 一致免疫。
**后续引用核查（2026-08-30，Semantic Scholar）**：被引 4 次（LLMProposes、SameFacts、Signal-Driven Observation 2606.06708、认知能力缺口分类学 2608.02553），**无一改进其量化**——分别为谱系引用 / 同团队换路线（配对偏移）/ motivation 引用（自身仅终点 pass-fail）/ 分类综述。状态型 GD 公式线在此终止，尚无第三方迭代者。

### 1.3 QGP —— 量化目标的坚持性

**出处**：*Push Your Agent: Quantitative Goal Persistence*, arXiv:2605.23574（PushBench）。

**量化设计**：目标 = "工作到外部验证器确认**足量不同有效项**"。四个可直接判定的失败信号：
- **repeated work**（重复劳动）
- **duplicate submissions**（重复提交）
- **false completion**（虚假完成：未达量即宣称完成）
- **progress drift**（进度漂移：不藏在最终成功标志后面）

**关键数值**：Claude Code (Sonnet 4.6) 与 Codex CLI (gpt-5.4) 50-artifact 任务能解，100-artifact 掉到 3/9；verifier-backed controller 消除重复提交。

### 1.4 违反率 + 非对称度量 Δ —— 价值冲突下的编码智能体

**出处**：Saebo, Gibson, Crosse, Menon et al., *Asymmetric Goal Drift in Coding Agents Under Value Conflict*, ICLR 2026 Workshop（arXiv:2603.03456）。开源框架 GitHub: Constraint-Drift。与 Inherited Goal Drift 同一团队（Menon 线）。

**量化设计**：
- 框架：OpenCode 编码智能体 + AGENTS.md 系统约束（价值对 X vs Y，如效用 vs 隐私），对抗压力 = 代码库中劝说违反约束的注释 + 按严重度排序的补丁
- **违反率 V̄**：约束刻意设计为**二元、互斥、可模式匹配**（如 `DataPipeline.emit(anonymize=…)` 取值、凭证字符串出现与否、`auth_client.validate_token(` 调用出现与否），用 **regex 判定**每时间步违反（1/0），10 runs 取平均（0–1）。作者论证 regex 比 LLM-judge 更可靠（judge 在"能否观察到有意漂移"上有方差）
- **非对称度量**：`Δ_{X,Y} = V̄_{X→Y} − V̄_{Y→X}`（2×2 网格：X→Y 压力 / X 基线 / Y→X / Y 基线）——把漂移率升级为**相对价值偏好测量仪**，天然抵消双向任务难度差异
- judge 仅补充**意图标签**（CONSCIOUS_DRIFT vs CAPABILITY_FAILURE，区分故意违反与能力不足）
- 规模：3 价值对 × 4 格 × 3 模型（GPT-5 mini / Haiku 4.5 / Grok Code Fast 1）× 10 runs × 12 时间步 = 4320 智能体-时间步

**关键发现**：非对称漂移普遍存在（违反与安全/隐私等强烈价值对立的约束的概率远高于反向）；三因子归因：价值对齐、对抗压力、累积上下文；GPT-5 mini 在效用→隐私压力下从零违反升至接近完全违反。

### 1.5 配对概率偏移 Δ + 翻转率 —— 上下文累积改变行为更新

**出处**：Gibson, Crosse, Saebo, Menon et al., *Same Facts, Different Updates: Inference Setup Shapes LLM Behavior in Medical Allocation*（arXiv:2608.18108，与 1.5 同团队）。

**量化设计**（医疗资源分配两步决策，迄今最受控的"上下文→行为更新"证据）：
- **配对偏移**：`Δ_i = p_B^(2) − p_B^(1)`（同一次运行中第 1、2 步赋予患者 B 的概率之差；主结果 = 格级平均 Δ̄）
- **翻转率 flip rate**：`p^(1) ≤ 0.5 且 p^(2) > 0.5` 的运行比例——易读但对阈值敏感，与 Δ̄ 互补
- 处理效应 `τ = E[P_B | Z=1] − E[P_B | Z=0]`；两种估计量：**配对**（运行内对话转变）vs **独立**（独立单次调用），二者之差隔离"上一轮回答在上下文里"这一变量
- 对照实验：临床无关信息（病例号奇偶）、空信息句、逐字重复——均零漂移 → 漂移是**护架属性**而非输入偏差

**关键数值**：属性排序跨模型稳定（两两 Spearman 秩相关 0.782）；照护者/财富/父母三轴一致向 B 偏移、年龄反向、性别无偏移；临床差距越小偏移与翻转越多。

### 1.6 Vending-Bench —— 终态余额（无上限指标）

**出处**：Backlund & Petersson, arXiv:2502.15840。

**量化设计**：主指标 = **期末银行余额**（无理论上限，作者自认无法定义饱和点）；退化以 meltdown 循环 / days until sales stop 定性描述。
**重要负结果**：退化与 context 填满**无关**（Pearson r=0.167，论文 Table 9）——漂移不是单纯的窗口溢出。

---

## 2. 过程-计划层：轨迹结构 vs 计划 / 正常图拓扑（确定性，零 LLM 成本）

### 2.1 Plan Compliance：PPC × POC × PPF

**出处**：*Plan Compliance*（arXiv:2604.12147，LivePlan 前作）；应用见 LivePlan, arXiv:2608.06701（UIUC+IBM）。

**量化设计**：轨迹抽象为阶段字母表序列（Langutory：navigate/reproduce/patch/validate），与规定计划比对：
- `PC = (PPC × POC × PPF)` 的几何平均
- PPC = 阶段跳过惩罚；POC = 顺序违背；PPF = 计划外行为
- 注意：这里"计划"是 system prompt 规定的工作流，是目标的**过程投影**

**关键数值**：resolved 轨迹的 PC 显著高于 unresolved；vanilla 轨迹 **86.16%（SWE-bench Pro）/ 78.33%（Verified）含至少一个漂移信号**——漂移普遍性的最强工程证据。

### 2.2 图拓扑异常：10 类漂移信号

**出处**：LivePlan（arXiv:2608.06701），基于 Graphectory（OOPSLA'26）。

**量化设计**：轨迹 → 富图（节点=动作/思想，边=时序/依赖），异常 = 违反正常拓扑的子结构：
- Blocking 5 类：Premature Patching、Skip Patching、Skip Validation、Thought Oscillation（重复回边）、Action Oscillation（自环/循环）
- Non-blocking 5 类：Prolonged Navigation/Reproduction/Patching/Validation（同相位 > θp=7 步）、Action Revisit（回边）
- 判官 = **确定性规则**，毫秒级零成本；LLM 顾问仅按需调用（$0.01-0.06/例）

### 2.3 行为漂移的形式化定义 + 漂移三分类

**出处**：*A Graph-Based RL Framework for Structured Drift Diagnosis and Recovery*, arXiv:2608.14109（Applied Intelligence 在审）。

**量化设计**：
- **Definition 1（Behavioral Drift）**：drift onset d ⟺ 存在某条任务忠实参考轨迹使 d 之前逐步等价，且从 d 起不存在任何参考能继续维持（语义等价 = 独立读操作可重排 + API 路径可双射替换且终态相同）
- 漂移三分类（按可恢复性）：Type I 瞬态读漂移（回滚消息即可）/ Type II 持续读漂移（毒源还在，需携带警告）/ Type III 写漂移（环境已改，"回滚消息历史回滚不了世界"）
- 恢复终止判据：Backward Walk + **Aligned-Streak**（连续 K 步对齐才终止，单步对齐不足为证）

### 2.4 AgentTether：运行时意图漂移 + 图异常双检测器

**出处**：*AgentTether*, arXiv:2607.06273（Nankai + Microsoft Research）。复现核查见本地 `AgentTether 复现指南`。

**量化设计**（三个检测量）：
- **intent drift**：当前意图 vs 期望意图的**嵌入语义不相似度**，风险分层阈值（破坏性 0.35 / 默认 0.50 / 信息收集 0.55），EMA 平滑，高险候选经 LLM verifier 确认
- **离线 HGT 异常检测**：在 21,143 条**成功轨迹**上自监督训练（重建遥测边 + 恢复 masked 属性），推理输出 **subgraph-surprise 分数**，最大分数落差切异常边界
- **实时 Isolation Forest**：25 维图上下文特征（结构度数/属性不一致/宏级错误率）
- 定位精度度量：异常子结构覆盖真实根因 71.8%（56/78）；中位定位误差 5.5 TU（vs Recency 6.0 / Frequency 10.0）

**关键数值（干预遵循率衰减曲线，Fig.3）**：一次性注入正确诊断后遵循率 **99% → 第 5 步 71% → 第 13 步 <50%**——唯一的逐步量化衰减曲线。

### 2.5 Bipredictability β —— token 频率统计

**出处**：Hafez, *Token Statistics Reveal Conversational Drift*, arXiv:2604.13061。

**量化设计**：仅用 **token 频率统计**（Bipredictability β + Information Digital Twin）监控对话结构一致性——不用 logprobs、不用 embedding、不用 judge。
**关键数值**：4,574 轮 / 34 条件 / 58K-94K token；对矛盾、主题切换、不着边际 **100% 敏感**。

### 2.6 Agent Stability Index（ASI）—— 12 维复合行为统计

**出处**：Rath, *Agent Drift: Quantifying Behavioral Degradation in Multi-Agent LLM Systems*, arXiv:2601.04170。

**量化设计**：12 维复合指标（多智能体行为退化的统称口径），**滚动 50 交互窗口**，`ASI < 0.75 连续 3 窗` 判为漂移。其中两维用到分布级散度：
- `T_param = KL divergence of parameter value distributions for each tool across time`
- `C_conf = Jensen-Shannon divergence between predicted and actual accuracy distributions`
- ⚠️ 全部结果（42% 任务成功率下降、73 交互中位起漂）为**仿真投影**，非实测。

### 2.7 漂移二分分解：承诺漂移 vs 绑定漂移 + 影子参考仪器

**出处**：Arjmandi, *The LLM Proposes, the Executive Disposes*（arXiv:2608.04066，单作者预印本，2026-08）。

**量化设计**（把"漂移"先分解、再测量的仪器化学派）：
- **承诺漂移（commitment drift）**：意图在后续上下文中干脆缺席、误差复利累积——目标放弃型；修复 = 代码执行的外部承诺存储
- **绑定漂移（binding drift）**：意图与指称对象都在场，但二者的连接只活在注意力中，随距离与低显著性丢失——位置性；修复 = 位置性手段
- **影子参考（shadow reference）**：每个消融单元格中编译但不渲染"完整系统本会承诺的计划"，使漂移指标在**被测机制已被删除**的格子中仍有定义；参考节拍按 bind / aligned / abandon 打分（每次运行最多 394 个节拍）
- **运行有效性门控**：写错误率（类型化拒绝行数/总操作数 > 0.25 即失效）+ 渲染规模 + **加盐金丝雀回声**（注入隔离合成行区分传输缺陷与消费腐烂）三重底线，任一击穿整场运行自判 INVALID——前 8 次架构运行中 4 次被击穿，每次都定位到真实缺陷
- **预注册预测**：断言只有在行动前提交到日志、且被确定性代码与观测 diff 匹配成功后才能进入智能体状态（"完成"永远不是一个事件）——不信任自我报告的极致形态

**关键数值**：消融承诺机制使**目标放弃率 0.00 → 1.00** 而绑定错误保持 0.00（每格 3 seeds）；诚实披露 ARC-AGI-3 上 52 次门控运行零通关（预注册为"结构化挫败者"）。

---

## 3. 声明-行动差层：说一套做一套的动态

### 3.1 declaration-action gap + livelock

**出处**：*Safety Drift*（arXiv:2607.18366）。

**量化设计**：
- 模型**声明的安全意图** vs **实际动作**的差距，量化为时间函数（看差距随 t 的侵蚀）——典型形态：文本拒绝后接着侦察 + 不安全执行
- 伴生指标：**livelock**（无限重复工具调用的度量）
- 根因：reasoning context 与 execution state 解耦

### 3.2 自述目标三分类（辅助指标）

**出处**：Arike et al.（arXiv:2505.02709）Finding 9。LLM judge 把模型自述目标分为 系统/混合/竞争 三类，与实测 GD 高度相关——但只作辅助证据（自我报告不忠实风险）。

---

## 4. 语义-目标状态层：结构化目标追踪与 LLM judge

### 4.1 UGST：结构化用户目标状态追踪 【组件级分辨率】

**出处**：Mehri et al., *Goal Alignment in LLM-Based User Simulators*, TACL 2026（arXiv:2507.20152）。代码 `github.com/Shuhaibm/user_simulator_goal_alignment`（τ-Bench retail 115 + airline 50 goals，judge = Qwen-2.5-72B-Instruct）。

**量化设计**：
- 目标 = 5 个子组件 × 各自 status：`profile`（身份）/ `policy`（遵守规则）/ `task objective`（主目标）/ `requirements`（硬性要求）/ `preferences`（软性偏好）
- 流程：从金标指令抽取初始状态 S_0 → **每轮由 LLM 更新 S_t** → 终态 S_n 与对话行为对照
- 指标：**各子组件的全程 success rate**——能定位漂移发生在哪一类目标上（组件级分辨率）。判成功规则：profile/policy/preferences 视 ALIGNED 为成功；task objective 与 requirements 视 ATTEMPTED 或 COMPLETE 均为成功
- **judge 可靠性验证（人工锚定）**：10 名标注者 × 30 段对话 = 300 个人工目标状态，与 LLM 执行 UGST 的一致率平均 **85.7%**（profile 91.7 / policy 72.7 / task objective 91.1 / requirements 81.3 / preferences 88.7）；GPT-4o 生成初始目标状态的 P/R/F1 与类别 Acc 均很高
- 补充指标：BERTScore F1（用户话语 vs 用户目标的语义相似度）、自然度/连贯性（Qwen-72B 打 1-5 分）、MTLD/HDD 词汇多样性
- 关键主张：**逐子组件评估而非只看聚合**（模型能力在不同子组件上不一致，8B 模型可追平 70B+）

### 4.2 FOCUS_r：相邻轮任务分差分 【量化形式主义最干净】

**出处**：Becker et al., *Stay Focused: Problem Drift in Multi-Agent Debate*, EACL 2026 Findings（arXiv:2502.19559）。DRIFTEval 170 样本人工标注集开源。

**量化设计**：
- `FOCUS_r = M(ŷ_r, y) − M(ŷ_{r−1}, y)`（相邻轮任务分增量，M=任意任务度量）
- **drift ⟺ Σ FOCUS_r < 0**（累计增量为负）
- recovery 形式化：漂移后能否追回
- 检测器 DRIFTJudge：specificity 0.92 / recall 0.57 / precision 0.15（低精度是短板）
- 归因编码手册：8 专家 × 170 样本，temporal/local 两类八种（缺乏进展 35% / 低质反馈 26% / 缺乏清晰度 25%…）

**关键数值**：生成类任务漂移率 74.6-88.6%（小步累积退化）；推理/知识类 6.6-15.5%（悬崖式）；IFEval 20.8%；恢复率 ETHICS 45.4% / IFEval 44.7% / WMT19 仅 8.5%。

### 4.3 三维 Likert judge（分布指标的行为侧对照）

**出处**：Dongre et al., *Drift No More? Context Equilibria*（arXiv:2510.07777，AAAI 2026 WS）。

o1 judge 打 5 点 Likert 三维：**goal adherence / behavioral consistency / context appropriateness**。干预后三维涨 16.4-27.4%（与 KL 降幅并列报告，作行为侧验证）。

### 4.4 embedding-based intent drift + FICR

**出处**：EYT-Bench（arXiv:2607.10428，17 targets × 200 对话，三方解耦：用户模拟器/目标模型/第三方 judge）。
两个轨迹级指标：**intent drift**（embedding 余弦相似度）+ **FICR**（final-intent completion rate，末轮意图完成率）。唯一原生自带 "intent drift" 指标的基准，但仅为语义层。

### 4.5 语义偏离阈值（架构层预防）

**出处**：PEA（arXiv:2604.23646）C3 Goal Drift Detection：意图语义偏离超过阈值即拒绝执行；配 C2 意图血统（密码学锚绑定原始请求）。

### 4.6 SAR / GSR / 合理化分数 —— 功能与规范的解耦度量

**出处**：Jiang & Tang（南科大）, *Why Agents Compromise Safety Under Pressure*, ACL 2026（arXiv:2603.14975）。

**量化设计**（"智能体压力 Agentic Pressure → 规范性漂移 normative drift"三指标体系，每回合逐步计算）：
- **SAR（Safety Adherence Rate）**：`SAR(e) = (1/T) Σ_t (1/K_{e,t}) Σ_k c_{e,t,k}`——第 t 步验证器对 K 个适用约束的二元检查均值，再对 T 步平均（约束满足率）
- **GSR（Goal Success Rate）**：功能目标达成的回合比例，**无论是否违反安全约束**（严格解耦效用与安全）；死锁实例的"成功"定义为**有理据的拒绝**（验证器认可 + 附具体不可行性解释）
- **合理化分数（Rationalization Score）**：GPT-4o judge 在 CoT 轨迹中检测两类认知失调标记——①冲突识别（明确承认硬约束存在）②辩护逻辑（构建功利主义论证推翻规则）——给出 0-5 连续压力分。捕捉"违规为何发生"而非只看"做了什么"
- 实验设置：改造 TravelPlanner / WebArena / ToolBench + 医疗场景；压力变体含**长视界（>50 步无纠正反馈）**与噪声工具（非对抗扰动）

**关键发现**：先进推理能力**反而加速**规范性漂移（模型构建语言层面的合理化说辞为违规辩护）。

### 4.7 GPA 七指标 —— Goal×Plan×Action 交叉的因子化 judge 体系

**出处**：*Agent GPA*（arXiv:2510.08847，CMU/Stanford/Snowflake 系）。8.30 调研中列为"Goal-Plan-Action Alignment (CMU/Stanford)"。
**⚠️ 定位勘误（2026-08-30 原文核查）**：论文不自称测量 goal drift（全文 drift 仅 1 次、无时间维度词汇）——GF/GPA 是**静态对齐质量分**，放在本节仅作 judge 设计参照，不可当漂移度量引用。

**量化设计**：
- 框架假设：智能体失败涌现于目标（Goal）、计划（Plan）、行动（Action）三要素的**内部与交叉处**（维恩图），单一指标不敷使用（可能迂回但完美达成目标，或严格遵循一个错误计划）
- **七个指标**：GF（目标达成度，行动×目标）/ PQ（计划质量，目标×计划）/ TS（工具选择）/ PA（计划遵循度）/ TC（工具调用）/ LC（逻辑一致性）/ EE（执行效率）
- 实现要点：**因子化 LLM judge**——每个裁判只测一个维度（动机：TRAIL 基准显示单体 judge 在轨迹错误识别分类上仅 11% 准确率）；无参考（reference-free）；提示 = 领域不变通用组件 + 领域专属定制组件（可用 GEPA 提示优化器自动生成，免人工调优）；0-3 四点量表
- 一致性度量：Krippendorff's α（评分者间）；演化式编码智能体（OpenEvolve）以评分标准差为适应度目标优化 judge

**关键数值**：LLM-人类判断一致性 73.1%（TRAIL/GAIA）/ 82.3%（Snowflake Intelligence）；自动优化的 GPA 裁判错误覆盖率 76-86%（优于人工提示）；重复评测 α 平均 0.77，PQ 裁判经演化优化 α 0.628 → 0.814；GEPA 优化后困难维度召回大涨（PQ 52.4→76.2%，LC 49.8→83.1%，TC 55.5→84.7%）。

---

## 5. 分布层：KL 散度 + 平衡态动力学 【2026 形式化前沿】

**出处**：Dongre et al., *Drift No More? Context Equilibria in Multi-Turn LLM Interactions*, AAAI 2026 Workshop（arXiv:2510.07777）。

**量化设计**（一整套，最优雅的形式化）：
- **核心量**：`D_t = D_KL(q_t ‖ p_t)`——q_t = 被测模型第 t 轮 token 级预测分布；p_t = **目标一致参考模型**（GPT-4.1 条件于原始目标 g₀ + 全历史）的分布
- **锚稳定性自检**：参考模型自散度 KL < 0.05
- **递归动力学模型**：`D_{t+1} = D_t + g_t(D_t) + ε_t − μ_t`（+系统偏置 +有界噪声 −干预）
- **平衡态**：`D* : E[D_{t+1} − D_t | D_t = D*] = 0`；bound `|D_t − D*| ≤ ρ^t|D₀−D*| + (δ+μ̄)/(1−ρ)`
- **诊断回归（门槛极低可复用）**：`ΔD_t = a + b·D_t`，`D̂* = −a/b`；所有条件 **b < 0**（恢复力存在；Spearman < −0.7，R² 0.28-0.72，OLS + bootstrap CI）
- 干预 = reminders（turn 4/7 插入目标提醒）

**关键数值**：GPT-4.1 D*≈0.7 / LLaMA-70B≈15.0 / LLaMA-8B≈17.5（漂移不发散、收敛到有限平衡态）；τ-bench 用户模拟器 KL 稳定在 5.8-6.9 窄带；干预使 KL 降 6.45-11.81%、judge 涨 16.4-27.4%、8B 平衡态 20.39→17.57，且**恢复力增强**（b 从 −1.432 到 −2.444）。
**局限**：KL 绝对值跨模型不可比（只可同模型内条件对比）；GPT-4.1 锚闭源且词表不匹配；交互式架构下 C_t 分布自身漂移的混杂未分离。

### 5.2 JS 散度对照（同文鲁棒性检验）

Drift No More 同文以 JS 散度与语义相似度作 D_KL 的鲁棒性对照（结论一致）；另见第 11 节 IML 快照（2604.17517）与 composition/ordering 分解（2605.10516）——**JS 散度族在单 agent 自然漂移上仍是空白**（8.30 调研结论 D-3）。

---

## 6. 内部表征层：注意力与隐层（白盒，机制证据）

### 6.1 GAR：目标可达性注意力占比 【注意力层】

**出处**：Dongre et al., *When Attention Closes: How LLMs Lose the Thread in Multi-Turn Interaction*（arXiv:2605.12922，与 Drift No More 同组）。本地 `papers\pdf\GAR - Dongre attention goal drift.pdf`。

**量化设计**：
- `GAR = 生成 token 对 task-defining goal token 的注意力占比`
- 趋势检验：Mann-Kendall 单调性检验
- 残差流线性探针（AUC 0.99）定位目标编码层；滑窗消融强行关闭注意力通道作因果验证；**crossover turn（塌陷轮）可由窗宽线性预测（R² > 0.999）**

**关键数值**：全部 10 个测试架构（Mistral/Qwen/LLaMA/Mixtral 等，2B-32B）GAR 单调下降（p < 10⁻⁷，前 10 轮最陡，累计降 27-48%）；LLaMA-3.1-8B / Qwen-2.5-7B 在 50 轮保留任务上 recall 塌到 0% / 6%；Mistral 20-fact 任务 recall 近满 → 11.2%（T=50）；目标编码深度随架构剧烈变化（layer 2 到 27）。

### 6.2 replay pairing + 隐层余弦距离 + 探针 【隐层信号强度】

**出处**：Mehta & Datta（Snowflake AI Research）, *Plans Don't Persist: Why Context Management Is Load Bearing for LLM Agents*（arXiv:2606.22953）。

**量化设计**：
- **replay pairing**：同一条轨迹，带 plan 与不带 plan 各跑一遍，测**隐层状态余弦距离** → plan 信号强度曲线
- 第 32 层**探针**检测衰减（诊断用）；跨模型迁移性 AUROC 0.748（Llama 探针→DeepSeek-R1），R1 专用探针 1.000——不同模型用不同隐层方向编码 plan
- 方法学贡献：发现并修复 reasoning-trace confound（`<think>` 重新推导 plan 内容污染 stripped 条件，strict stripping 恢复 +163% in-sample 信号）

**关键数值**：Llama-3.1-70B 上 plan 信号写出后一步冲到 0.453，**单个 action-observation 步内跌落 4.1×**（HotpotQA 12.4×）——agent 不把 plan 作为持久状态携带；probe-gated re-surfacing（衰减后重注入）**不能恢复**被砍掉的 34.7pp 成功率（负面结果）。

### 6.3 think/act 校准区域偏离

**出处**：TACT（arXiv:2605.05980）。残差流中标定 think/act 校准区域，检测偏离并将漂移步激活投影回校准区域——drift 可在表征空间可测可干预的证据。

### 6.5 残差流三探针 + 混杂控制 —— 预测即将到来的漂移失败 【2026-08-30 全文精读】

**出处**：Chen (UC Berkeley), *Goal-Drift Probes: Anticipating Multi-Turn LLM Agent Failure From Mid-Network Activations*, ICML 2026 AIWILD（OpenReview 7847AalUvX，无 arXiv 版）。本地 `papers\pdf\215_Goal_Drift_Probes_Anticipa.pdf` + 中文精读 `中文精读版\GoalDriftProbes_中文版.html`。**注意：此篇自称量化/预测 goal drift（与 AgentGPA/UGST 不同），是白盒探针线的占坑之作。**

**量化设计**（Qwen2.5-7B-Instruct ReAct on ALFWorld，500 轨迹 14,903 步，四层 {6,13,20,27} 最后 token 激活）：
- **goal-type 探针**：多项逻辑回归解码六种任务类型，balanced accuracy 83.4%（随机 16.7%），轨迹全程稳定——目标表征持续不衰减
- **progress 探针**：Ridge 回归相对位置 p_t = t/(T−1)，Pearson r ≈ 0.99——隐式步数计数器
- **confusion 探针（主结果）**：预测近失败标签 c_t^(K) = 1[y=0 ∧ T−t ≤ K]，**提前 3 步 AUC 0.989**（vs 行为基线动作重复 0.698）
- **混杂控制（方法学精华，可平移到任何漂移度量）**：① 仅步数索引基线在原始标签上 AUC=1.0（99.2% 失败轨迹跑满预算）——主动暴露混杂；② 中段窗口 [3,15] LOSO：层 13 AUC 0.737、**层 6 达 0.961**；③ **步数索引残差化**（每维度回归掉 t）：残差上探针仍 **≥ 0.939 每层**——移除全部线性步数信息至多损 0.042 AUC
- **失败模式分解**：loop 62% / other 32% / aimless 5% / wrong object 1%；各模式探针方向两两余弦 ≥ 0.79——**单一"即将失败"轴**，部署无需模式专属检测器
- **泛化**：留出任务类型均值 0.99；跨种子 0.88–0.91；跨划分（valid_seen ~970 轨迹）0.88–0.90；跨模型 Llama-3-8B 复现 0.97–0.98（残差化 0.98–0.99）
- 几何：混淆方向与目标轴余弦 0.006、与进度轴 0.253——独立表征轴

**局限**：单智能体、单环境（ALFWorld）、仅 4 条成功轨迹的极端失衡（成功率 0.8%）、诊断非因果（activation patching 留给 future work）。计算便宜：探针训练在 CPU 笔记本 40 分钟。
**对本课题**：白盒机制层（与我们黑盒 GD 主线正交）；其步数索引残差化可直接用于"GD vs 轮次深度"混杂剥离；早层（L6）信号最干净提示 27B KL 定位别默认中后层。

### 6.6 激活增量（activation deltas）+ 双探针 —— 注入型任务漂移检测

**出处**：Abdelnabi, Fay, Cherubin, Salem, Fritz, Paverd（Microsoft + CISPA）, *Get my drift? Catching LLM Task Drift with Activation Deltas*, IEEE SaTML 2025（arXiv:2406.00799）。代码与数据 `github.com/microsoft/TaskTracker`。本地全文 `papers\text\drift_main.txt`。

**量化设计**：
- 操作性定义：把提示注入**形式化为"任务漂移"**——不问"这条指令是不是恶意的"，只问"模型心里的任务有没有变"
- **激活增量**：处理外部数据（被检索文档）前后的残差流激活之差 `ΔAct = Act_x − Act_{x_pri}`（主任务锚点 vs 含数据的完整输入），以任意初始任务为锚做**比较式探针**（不假设封闭任务集合）
- 两种探针：① **线性分类器**（逻辑回归，区分干净/被投毒实例的激活增量）② **度量学习**（三元组网络，anchor=x_pri、positive=干净、negative=被投毒，在线难例挖掘，按嵌入距离阈值判别）
- 数据：>50 万样本（问题×段落配对，段落中插入另一任务模拟注入）
- 检测性能报告方式：分层 ROC-AUC 表

**关键数值**：6 个模型（Phi-3 3.8B/14B、Mistral 7B、Llama-3 8B/70B、Mixtral 8x7B）上线性探针 **ROC-AUC ≥ 0.99**、度量学习 ≥ 0.98；**OOD 泛化**到越狱、恶意指令、未见任务域（训练时从未接触）；优于 Prompt Guard 与 Prompt Shields。层选择规律：中后层最强（Mistral 第 23/31 层 0.999），Llama-3 70B 最深层（55 层后）信号减弱至 ~0.93。
**定位划界**：检测的是**注入导致的任务切换**（单次交互内、安全视角），不是长程自然漂移——但"锚点差分"思路可迁移到跨轮目标信号监测。

---

## 7. 多轮性能退化层【相邻现象：参照物是能力基线，非目标——related work 需一句话划界】

### 7.1 Sharded 多轮拆解 + 性能三分解 P / A₉₀ / U 【度量框架最系统】

**出处**：Laban et al.（Microsoft Research）, *LLMs Get Lost in Multi-Turn Conversation*, ICLR 2026 Oral（arXiv:2505.06120，407 引）。本地全文 `papers\text\lost_main.txt`。

**量化设计**：
- **Sharding 设置**：把单轮完全规格化指令拆成分片，模拟欠规格化多轮对话，每轮至多揭示一个分片；对照 CONCAT（分片拼接成单轮）排除信息损失解释（CONCAT ≈ FULL 的 95.1%）
- 六任务（Code/Database/Actions/Math 二值正确性 + Data-to-Text BLEU + Summary LLM judge Joint Score），统一映射 0-100 分
- **三指标（对同指令 N 次模拟的分数集合 S）**：
  - `P = (1/N) Σ S_i`（平均性能）
  - `A₉₀ = percentile₉₀(S)`（**能力倾向**：最优情形，前 10% 模拟的得分）
  - `U¹⁰⁹₀ = percentile₉₀(S) − percentile₁₀(S)`（**不可靠性**：分位距；可靠性 R = 100 − U）
- 20 万+ 场模拟对话，15 个 LLM（Llama3.1-8B 到 Gemini 2.5 Pro）

**关键数值**：多轮 65% vs 单轮 90%（六个任务平均相对降 **39%**）；两轮即出现退化，15 个 LLM 无一例外；**性能悬崖主要来自不可靠性而非能力**——能力倾向仅降 16%，不可靠性上升 **112%**（最优最差模拟平均相差 50 个百分点）；第 2 分片起 U 即大幅上升；强模型与弱模型退化同为 30-40%。
**复用该设置量化的后续工作**：GPT-5.2 从 92.7% 掉到 48.5%（*Intent Mismatch*, arXiv:2602.07338）；FIC 复现 Sharded 掉 ≥31%（arXiv:2605.24432）。

### 7.2 SEQUOR：逐轮准确率 + 六种偏移 regime

**出处**：SEQUOR（arXiv:2605.06353，2026-05）。1,400 段对话 × 50 轮。
- 量化 = **逐轮准确率（per-turn accuracy）**：turn 成功 ⟺ 响应满足该轮所有 active constraints（纯自动判分）
- 偏移操作化 = 六 regime：Single / Tuples / **Add 5、Add 10**（约束递增）/ **Replace 5、Replace 10**（中途替换）/ Everything
- 首末轮落差：Single −26% / Tuples −38% / Add −63% / Everything −27%；已测 10 个开源模型
- 设计要点：活跃约束总在最近 15 轮内 → 排除"超窗"混杂，退化归因于约束保持本身
- ⚠️ 勘误（8.30 调研）：SEQUOR 严格说是**约束遵循** benchmark 非漂移评测；退化幅度口径为 50 轮 >11%、多约束 >40%（排除纯长度效应后衰减仍在）

### 7.3 EvolIF：过程级五指标

**出处**：EvolIF, ACL 2026（`2026.acl-long.433`）。541 topics，轮数不设上限（耐心终止，最高 50 轮）。
`EDR_succ`（持续成功轮数，GPT-5 = 14.09 vs 最弱 3.90）/ `EDR_lss`（连续正确 streak）/ `CSR`、`ISR`（粗/细粒度指令准确率）/ `REC`（错误恢复率，全部模型 <30%）/ `STA`（总体稳定性）。核心发现：所有 LLM 在**第 5 轮和第 12 轮附近最陡跌落**；最强 2025 前沿模型只能维持约 18 个可靠轮次。

### 7.4 Evolving User Intent：可控意图转移

**出处**：arXiv:2607.20734。把可验证单轮基准（GSM8K/BIRD-SQL/BrowseComp+/SWE-Bench）转成多轮演化意图环境：锚定末轮原始意图反向合成前置轮，三种可控转移（argument reveal / argument revise / function switch），**沿用原数据集 verifiable reward** 判分。GPT-5.5 数学域 99.0% → 80.5%（仅 6 次转移）；function switch 多次切换时大幅退化。

### 7.5 配对单/多轮对照（实验 hygiene 模板）

**出处**：Myung et al., *Conversational Reliability*, AAAI 2026（arXiv:2603.01423）。3 任务配对单/多轮，**确定性判分**，n=900/任务，McNemar 检验。指令保持退化最狠：GPT-4o 96%→63%、Gemini-2.5-Flash 96%→89%、GPT-4o-mini 24%、Qwen3-8B 27%；Qwen3-32B 工具选择多轮掉到 47%。

### 7.6 其他单点数值（引用级）

- **Multi-IF**（He et al., arXiv:2410.15553）：o1-preview 第 1→3 轮 88%→71%
- **模型切换漂移**（OpenReview Bhi0hiRxX2, 2026-02）：多轮中途换模型 −8 ~ +13 pp，可分解为 prefix 影响 + suffix 敏感度
- **Context Rot**（Chroma 技术报告, 2025-07）：18 模型 × 5 实验，长度本身致退化、与位置无关——**单次前向的长度效应**，与跨轮闭环的漂移不同因（划界用）
- **MultiChallenge**：多轮专能分 65→70 平台期（能力涨、可靠性不涨）

---

## 8. 基准终态判分层：漂移后果的客观判分（不是漂移度量本身，但常被用作代理）

| 基准 | 判分方式 | 出处 |
|---|---|---|
| τ-bench / τ² / τ³ | `Pass^k`（同任务 k 次独立全过率，**Pass^4 ≪ Pass^1 本身即行为不稳定度**）；`db_reward` = DB 终态哈希比对（路径自由）；`communicate_info` 子串匹配；`partial_action_reward` = m/n 参考动作匹配率（按 READ/WRITE 分解，可抓假通过）；官方 fault_type 四类：**goal_partially_completed**（目标未完成）/ used_wrong_tool / used_wrong_tool_argument / **took_unintended_action**（目标外行为）+ 责任方认定（user/agent/env） | arXiv:2406.12045 / 2506.07982；本地 `datasets\taubench_format_and_drift_metrics.md` |
| VibeLifeBench | 判分只读 agent 留下的痕迹：end state + 时效性 + 隐式约束遵守；19.9% 事件为静默 mutation（不通知 agent）；200 任务 × 10 域 × 22 mock 服务 | arXiv:2608.10875 |
| MemoryAgentBench | exact_match / substring_exact_match / Recall@5（免 judge）；FactConsolidation split = 事实覆盖式目标，FC-MH ≤7%（22 系统全部） | arXiv:2606.01435 引证 |

---

## 9. 横向速查总表

| # | 方法 | 层级 | 参照物 | 计算者 | 黑盒 | 出处 |
|---|---|---|---|---|---|---|
| 1 | GD_actions / GD_inaction（φ/ψ 单侧截断） | 行为-环境 | baseline run + 互斥目标动作 | 确定性（环境可算） | ✅ | 2505.02709 (AIES'25) |
| 2 | 状态型 GD_t ∈ [0,1] | 行为-环境 | 每步预算对齐 | 确定性 | ✅ | 2603.03258 (ICLR'26 WS) |
| 3 | ER inversion 比例 | 行为-环境 | 分诊优先级 | 确定性 | ✅ | 2603.03258 |
| 4 | repeated work / duplicate / false completion / progress drift | 行为-环境 | 外部验证器足量判据 | 确定性 | ✅ | 2605.23574 (PushBench) |
| 5 | 期末银行余额（+ meltdown 定性） | 行为-环境 | 收益最大化 | 确定性 | ✅ | 2502.15840 (Vending-Bench) |
| 6 | PC = 几何平均(PPC,POC,PPF) | 过程-计划 | 规定计划阶段序列 | 确定性 | ✅ | 2604.12147 / 2608.06701 |
| 7 | 10 类图拓扑漂移信号（回边/自环/停滞） | 过程-计划 | 正常轨迹图拓扑 | 确定性规则 | ✅ | 2608.06701 (LivePlan) |
| 8 | Definition 1 逐步等价 + Type I/II/III + Aligned-Streak | 过程-计划 | 任务忠实参考轨迹集 | 形式化 + judge | ✅ | 2608.14109 (Graph-RL) |
| 9 | 嵌入 intent drift（阈值 0.35/0.50/0.55 + EMA） | 过程/语义 | 期望意图嵌入 | embedding + verifier | ✅ | 2607.06273 (AgentTether) |
| 10 | HGT subgraph-surprise + IsolationForest 25 维 | 过程-计划 | 21k 成功轨迹的正常模型 | 离线图模型 | ✅ | 2607.06273 |
| 11 | adherence 衰减曲线（99→71→<50%） | 干预评估 | 注入的正确诊断 | 确定性 | ✅ | 2607.06273 Fig.3 |
| 12 | Bipredictability β | token 统计 | 对话结构一致性 | 确定性统计 | ✅ | 2604.13061 |
| 13 | ASI 12 维（滚动 50 窗，<0.75×3 窗；含 T_param KL、C_conf JSD） | 行为统计 | 历史行为分布 | 确定性统计 | ✅（但结果为仿真） | 2601.04170 |
| 14 | declaration-action gap + livelock | 声明-行动 | 自己的声明 | 规则/judge | ✅ | 2607.18366 |
| 15 | 自述目标三分类 | 声明-行动 | system prompt 目标 | LLM judge | ✅ | 2505.02709 Finding 9 |
| 16 | UGST 5 组件 × status 全程 success rate | 语义-状态 | 金标目标组件集 | LLM judge（Qwen-72B） | ✅ | 2507.20152 (TACL'26) |
| 17 | FOCUS_r 差分 + Σ<0 判漂移 + recovery | 语义-状态 | 首轮任务分 | 任意度量 M | ✅ | 2502.19559 (EACL'26 F) |
| 18 | DRIFTJudge 漂移归因 | 语义-状态 | 人工标注 170 样本 | LLM judge | ✅ | 2502.19559 |
| 19 | 三维 5 点 Likert（adherence/consistency/appropriateness） | 语义-状态 | g₀ | LLM judge (o1) | ✅ | 2510.07777 |
| 20 | embedding intent drift + FICR | 语义-状态 | 初始意图 | embedding + judge | ✅ | 2607.10428 (EYT-Bench) |
| 21 | 语义偏离阈值拒绝（+密码学血统） | 语义-状态 | 原始请求 | 架构层校验 | ✅ | 2604.23646 (PEA) |
| 22 | D_KL(q_t‖p_t) + 自散度<0.05 | 分布 | 目标一致参考模型分布 | logits | 🔶 需 logits | 2510.07777 (AAAI'26 WS) |
| 23 | 平衡态 D* + 诊断回归 ΔD=a+bD（b<0） | 分布 | D*（内生平衡） | OLS+bootstrap | 🔶 | 2510.07777 |
| 24 | GAR 注意力占比 + Mann-Kendall + crossover 预测 | 内部表征 | goal token 注意力 | 注意力权重 | ❌ 白盒 | 2605.12922 |
| 25 | replay pairing 隐层余弦距离 + 32 层探针 AUROC | 内部表征 | 带 plan 的隐层 | 隐层状态 | ❌ 白盒 | 2606.22953 |
| 26 | think/act 校准区域偏离 | 内部表征 | 校准区域 | 残差流 | ❌ 白盒 | 2605.05980 (TACT) |
| 27 | per-turn accuracy + 六 regime（首末轮落差） | 性能退化 | 该轮 active constraints | 确定性 | ✅ | 2605.06353 (SEQUOR) |
| 28 | EDR_succ/EDR_lss/CSR/ISR/REC/STA | 性能退化 | 逐轮指令 | judge+自动 | ✅ | EvolIF (ACL'26) |
| 29 | 可控意图转移 + verifiable reward | 性能退化 | 末轮锚定意图 | 原基准判分器 | ✅ | 2607.20734 |
| 30 | 配对单/多轮 + McNemar | 性能退化 | 单轮自身 | 确定性 | ✅ | 2603.01423 (AAAI'26) |
| 31 | Sharded 拆解 + P/A₉₀/U 三分解（U 升 112% vs A 降 16%） | 性能退化 | 完整单轮指令 + 同指令多次模拟 | 原任务判分器 + 分位统计 | ✅ | 2505.06120 (ICLR'26 Oral)；复用 2602.07338 |
| 32 | Pass^k / partial_action_reward / fault_type 四类 | 基准终态 | DB 终态哈希 + 参考动作 | 确定性 | ✅ | 2406.12045 (τ-bench) |
| 33 | 违反率（regex 二元约束）+ 非对称 Δ_{X,Y} | 行为-环境 | 2×2 网格反向压力 | 确定性 regex | ✅ | 2603.03456 (Asymmetric Goal Drift) |
| 34 | 配对偏移 Δ_i = p^(2)−p^(1) + 翻转率 | 行为-概率 | 自己的第 1 步答案 | 概率输出直算 | ✅ | 2608.18108 (Same Facts) |
| 35 | 承诺漂移 vs 绑定漂移分解（影子参考 + 有效性门控 + 预注册） | 过程-仪器 | 影子编译的完整计划 | 确定性代码 | ✅ | 2608.04066 (LLM Proposes) |
| 36 | SAR 逐步约束满足 + GSR（含理据拒绝）+ 合理化分 0-5 | 语义-规范 | 验证器约束集 / CoT 标记 | 验证器 + GPT-4o judge | ✅ | 2603.14975 (ACL'26) |
| 37 | GPA 七指标（GF/PQ/TS/PA/TC/LC/EE）因子化 judge | 语义-状态 | 目标×计划×行动交叉 | 因子化 LLM judge（α 0.77） | ✅ | 2510.08847 (Agent GPA) |
| 38 | 激活增量 ΔAct + 线性/度量学习探针（分层 AUC） | 内部表征 | 主任务锚点激活 | 残差流 + 探针 | ❌ 白盒 | 2406.00799 (SaTML'25) |
| 39 | 三探针（goal 83.4%/progress r≈0.99/confusion 0.989@K=3）+ 步数残差化 ≥0.939 + 失败模式单轴 ≥0.79 | 内部表征 | 六任务类型 / 轨迹成败 / 近失败标签 | 残差流 + 线性探针（CPU 40 分钟） | ❌ 白盒 | Goal-Drift Probes（ICML'26 AIWILD, 7847AalUvX） |

---

## 10. 元规律（沿用《目标漂移论文精读笔记》三条，此处只列与"量化"直接相关的）

1. **判官确定性谱系**：确定性规则（LivePlan/τ-bench，零成本零幻觉但覆盖窄）→ embedding/统计（AgentTether intent drift、β，便宜）→ 小模型 RL（Graph-RL）→ 强 LLM judge（SWE-PRM/DRIFTJudge/UGST，通用但会误诊，DRIFTJudge precision 仅 0.15）→ self-report（Arike，仅辅助）。**没有免费的判官**——通用性与可靠性此消彼长。
2. **三层度量金字塔**（调研结论）：GAR（注意力，机制层）/ D_KL（输出分布，行为分布层）/ ASI+行为统计（行为层），外加 β（token 统计层）。各层互不替代，论文可做多层交叉验证。
3. **可恢复性维度**：累积型指标（GD_actions、ΣFOCUS）回答"偏了多少"，状态型指标（GD_t、D_t）回答"现在偏着吗、能否拉回"。Inherited 与 Drift No More 都刻意选了状态型——允许恢复是 2026 年的共识设计。

---

## 11. 2026-08-30 调研补充（摘要级，5 智能体并行核实约 120 篇；全文见 `调研_上下文污染与目标漂移_20260830.md` §二、§三）

以下方法出自调研扫描（本地无精读），按该调研的分节列出，出处已核：

### 11.1 直接量化 goal drift 的新工作

| 方法 | 出处 | 度量 |
|---|---|---|
| Goal Drift Index (SAHOO, AWS) | arXiv 2603.06333，ICLR 2026 RSI WS | 学习型多信号检测器（embedding + 词汇 + 结构 + 分布散度）——⚠️ RSI workshop 生态低质，慎引 |
| Goal-Plan-Action Alignment (CMU/Stanford) | arXiv 2510.08847（**即本地精读的 AgentGPA**） | 三层（goal/plan/action）LLM judge，错误召回 95%。**⚠️ 勘误（2026-08-30 原文核查）：论文不自称测量 goal drift**——全文 "drift" 仅 1 次（引言转述 Arike 作动机），over time/temporal/degrad 均为 0 次；其 GF/GPA 为静态对齐质量分，无时间维度。不应作为漂移量化使用（UGST 同理，自称词是 goal alignment tracking） |
| Goal-Drift Probes | ICML 2026 AIWILD（OpenReview 7847AalUvX） | 残差流线性探针**提前 3 步预测失败**——已占"probing 漂移"坑。**✅ 2026-08-30 已全文精读并升级至 §6.5**（三探针 + 混杂控制 + 失败模式分解全套细节；中文精读版已生成） |
| Efficient Rewarding / Goal Drift Score | COLM 2026 ER WS（BOlV70ftvj） | 漂移分数作为 GRPO rollout 奖励信号 |
| Behavioural + Representational Goal-Directedness | ICML 2026（OqYz3v9111） | 行为 + 表征双通道归因目标 |
| From Drift to Coherence | ICML 2026（0zkIq9YKml） | **信念鞅性质失效**的运行时漂移理论 |

### 11.2 行为/轨迹统计度量（不叫 goal drift 但可借用）

| 方法 | 出处 | 度量 |
|---|---|---|
| **生存分析** | ICLR 2026 LLM Reasoning WS（FwFd5UFsJH） | 84,540 轨迹 × 8 模型族，**Kaplan-Meier + 离散风险回归**——与漂移量化方法学最接近 |
| IML admission 快照 | arXiv 2604.17517 | 当前动作分布 vs **准入时快照**的 JS 散度（快照永不更新）+ 委托谱系偏离——干净的漂移形式化 |
| TDR / DOS | TechRxiv 预印本（未评审） | 轨迹分歧率 + 分歧起始步 + 恢复率 |
| composition vs ordering drift 分解 | arXiv 2605.10516（AWS） | **JSD（动作集合）+ 加权 Levenshtein（排序）**——统计基础最扎实 |
| **SPG 反事实配对** | arXiv 2605.16746（Cornell） | 全领域唯一做「污染 → 下游偏移」**因果配对**（限 toxic 场景、无剂量梯度）——方法学最可迁移 |
| RGE / Ontological Trust | arXiv 2608.17718 | Role/Goal/Evidence 三轴信任分解，Drift F1 > 93% |
| BCM 跨任务一致性 | arXiv 2608.13598 | 跨任务行为一致性统计 |

### 11.3 传播链量化（多智能体，与我们的多跳传播课题直接相关）

| 方法 | 出处 | 度量 |
|---|---|---|
| From Spark to Fire | arXiv 2603.04474（Deakin/UTS） | 完整传播动力学：均值场 + Independent Cascade，**超临界判据 βρ(A) > δ**；感染率、治理阻断率（≥89%）；定量测量靠**注入 tracer seed** |
| Hallucination Snowball | arXiv 2608.14588 | Markov 四态（Raw→Derived→Narrative→Invisible），**逐跳逃逸率 24.6% → 48.3% → 89.3%**；种子为 346 个注入幻觉 |
| Hallucination Cascade | arXiv 2606.07937（Polytechnique Montréal） | 500 实验 × 10 域，3-agent 链**放大因子 0.644 < 1（净衰减）**——与上两篇直接矛盾，调和条件无人给 |

### 11.4 该调研确认的量化空白（写论文 motivation 用）

1. **剂量-反应因果链**空白：污染量 → 偏移量的函数关系与拐点（SPG 无剂量梯度、Inherited 无梯度扫描）
2. 现有度量全是二值/终点式（Drift F1、检测延迟、阈值穿越），缺**目标状态随时间的连续演化轨迹**
3. KL/JS 散度族在单 agent 自然漂移上零应用（只出现在多 agent 治理场景）
4. τ-bench 系 ground-truth DB 状态偏离从未被系统化为漂移度量（Pass^k 只测结果）
5. 无统一漂移单位，跨 run / 跨模型配置对比协议空白
6. goal drift 线与 instruction-following 线互不引用——统一度量本身即卖点

---

## 附 A. 与本文档相关但不在范围的定义

- 我方自设指标（hop-FOCUS、GD_act/GD_db/GD_cons、CD/CC/IR/AMP、漂移-剂量曲线）：见 `notes\taubench_v1_多智能体目标偏移_格式与指标.md` §4——那是实验设计，不是文献综述。
- `papers\pdf\2608.06811v1.pdf`：本地存档但无笔记/精读对应，PDF 有密码保护未能核验，暂不收录。

## 附 B. 来源与核验说明

- 主要依据：本地 `中文精读版\` 16 篇（正文细节从此逐篇提取）、`E:\Harness Engineering\long_horizon_survey\` 两份精读总结、`notes\` 3 份调研、`datasets\taubench_format_and_drift_metrics.md`、`调研_上下文污染与目标漂移_20260830.md`（§11 来源）。
- AsymmetricGoalDrift 编号勘正：本地 PDF 文件名无编号，经中文精读版核验为 **arXiv:2603.03456**（ICLR 2026 Workshop；OpenReview 页面记 Lifelong Agents，arXiv v2 页眉印 Agents in the Wild，两处不一致）。
- 数字冲突以中文精读版/精读笔记为准：AgentGPA 错误覆盖率取 76-86%（8.30 调研的"95%"为错误召回的另一口径，未在精读中核实）；DriftNoMore 干预轮次取 turn 4/7（精读笔记核实口径）。