8.30 日报

一、目标偏移量化

昨日的悬念"基线能考多少分"今天有了答案，而比分数更重要的是：用什么尺子量漂移这个纠缠了三天的问题，今天以"双指标 + 漏做通道"的形式收敛。收敛不是发明——是文献血统的显式继承与 τ-bench 物理的适配。

① Arike et al. 2025 AIES · arXiv:2505.02709 · 开山

GD_actions / GD_inaction：评估期总量对基线的相对差（累积式），漏做（omission）与做错（commission）二分。我们继承的：累积语义 → GD^stock 的血统；omission 通道 → 漏做率。

② Inherited Goal Drift 2026 ICLR'26 WS · arXiv:2603.03258

状态型 GD_t（每步瞬时、可恢复）。今日完成引用链核查（Semantic Scholar）：其 4 个引用者（LLMProposes / SameFacts / Signal-Driven Observation / 认知缺口分类学）全部"引而不改"，无第三方迭代其量化——接这条线安全，我们的 τ-bench 实例化就是它的下一个节点。继承的：状态语义 → GD^track 的血统。

③ 我们的双指标 + 漏做通道 τ-bench 物理决定两量必须分开

GD^track（在轨状态，最近 H=3 个写操作，错后连续对齐写可回落归零——Inherited 血统）与 GD^stock（漂移存量，全历史，历史错误永不清除——Arike 血统）。为什么必然分开：τ-bench 写操作不可撤销（错取消的订单"卖不回来"），状态级恢复不存在，能观测的只有行为级恢复——"还在漂吗"与"累计漂了多少"是两个问题。漏做率单列不并入 GD（性质不同的失败搅在一起会互相污染读数）。此前 H=10"滑窗"因写操作稀疏退化为全历史——实为 stock 而名不副实，今日正名。

双指标速览 展开自 GD双指标定义_track与stock.md

两指标共用一个窗口公式，写操作序列 $x_1, \dots, x_N \in \{1,0\}$（1 = 对齐写，对齐判定 = 与金标参数级消耗式匹配、multiset 防重，与官方 action_checks 逐条互验一致），仅窗口 $W_k$ 不同：

$$GD_k = 0.5 - 0.5 \times \frac{\sum_{i \in W_k} x_i - \sum_{i \in W_k}(1 - x_i)}{|W_k|}$$

track 取 $W_k$ = 最近 $H_{track}$ 个写操作（分母 $\min(k, H_{track})$），逐写更新、读数抖动大，用于恢复/干预分析；stock 取 $W_k = [1, k]$，历史错误永不清除，对话终值 $M/N$ 即三域 0.155 / 0.402 / 0.810 的分子分母来源——GD^stock 就是之前算出的指标（H=10 滑窗因写操作稀疏退化为全历史，名不副实，今日正名）。GD^track 为新增指标（H=3），三域实测：

三域 track ≈ stock（0.158 ≈ 0.155、0.410 ≈ 0.402）的原因不是度量失效，而是恢复行为本身罕见；banking 是唯一明显分离的域——成功组 track 0.324 vs stock 0.676：早段大量金标外 discoverable 调用拉高存量，但末段行为在轨，正是两指标互补性的实证案例。落位：干预实验 REC 指标用 track（恢复可见），总量结论与代价-收益表配 stock。

配套的两件外围工作：(a) 全文献漂移量化方法汇总落档（目标漂移量化方法汇总.md，39 个方法按七层分类，每条带公式/参照物/出处）；(b) 候选清洗——AgentGPA 与 UGST 经原文核查不自称测 drift（前者全文 drift 仅 1 次且为转述动机），从漂移量化候选中剔除，防止未来误引。

二、Baseline 数据：Qwen3.8-27B 全链路，783 对话（261 任务 × 3 trials）

三量的可计算映射全部落地并经官方 action_checks 双重互验（retail 合计 435=435、逐条 526/526 一致）：A_t = 参数级匹配金标的写操作数（复刻官方 compare_with_tool_call，消耗式 multiset 匹配）、M_t = 剩余漂移写、N_t = 窗口写操作数。

度量有效性三重证据：① 漂移排序与官方通过率严格反序（0.155 < 0.402 < 0.810 ↔ 0.772 > 0.653 > 0.156）——外部锚一致；② 成败分组区分显著：retail 组间 Mann-Whitney p = 3.1e-13，AUC = 0.797，失败组 GD 高 7 倍；③ 判定器与官方实现逐条互验一致。这三个 GD 数字即后续一切干预实验（"提高 A_t 抑制偏移"）的优化前对照锚点。

三、产物清单

坑与备忘：① banking 的 GD 绝对值含 discoverable 工具机制噪声（649 次 call_discoverable_agent_tool 的参数匹配语义特殊）——方向可信、绝对值待专项校准后使用；且 banking 是三域中唯一 track（0.32）与 stock（0.68）明显分离的域，恰是双指标互补性的实证案例；② 写操作稀疏（中位 1 个/对话，43 条零写）——分析单元应移向跨任务 261 连跑序列；③ 本地 tau2 克隆是 v0.2.0 无 banking，金标一律用 results json 内嵌 tasks；④ 136 条对话 action_checks 为 null（user_stop/max_steps/基建），只能走自建比对。