那个试点不是编的。
私有推理记录在行动之前就提交了。第 7 轮那次背叛，第 2 轮就已经被写成"铺垫"。两场镜像座位跑出来的轨迹一模一样：合作六轮，一方动手获利，下一轮双方互相背叛，各自护住领先。没有非法动作，没有回退，两场都跑完。
我看到这段的第一反应，是这事儿成了。
这个反应本身没错。但它不证明任何事。
一个种子，换个座位打两场。它控制住的只有座位优势这一件。没有新的隐藏长度，没有新的策略历史，没有新的随机条件。换句话说，第二场里那个"一模一样"，是设计出来的，不是发现的。¹
镜像座位是控制变量，不是重复。
多数人第一次做对照实验，都在这儿滑一下。你确实跑了两遍，样本数确实从 1 变成了 2，但多出来的那 1 本来就不独立。
修法也很朴素：按隐藏的比赛长度分层，每个长度一个种子，两个座位顺序都跑，每个种子内部两臂对称。这样拿到的是五个块，不是一个块的两份复印件。
第二个容易混的地方：协议差不多，不等于决策还行。
第一轮跨种子那批数据里，规划器那一臂看着更差。但那批数据里混着规划器的格式故障，它输出的东西不符合 schema。行动者收到一坨垃圾之后还能继续走，比赛照样打完，日志照样完整。
这时候有两个选择。把故障算进去，说规划器让结果变差；或者承认这批数据测的是解析器，不是策略。作者选了后者，排掉故障臂，用更严格的 schema 重建了规划器。
这个决断是对的。结构化输出能保证字段是对的，不能保证内容是对的。这两件事之间隔着一整个问题，一行 schema 跨不过去。
干净重跑之后：零回退，零行动者错误，零格式故障，每场都有非零的 API 成本收据。到这时候才轮到比较轨迹质量。
值得停下来想的是，成本收据凭什么算有效性条件。
因为出过一次事。一次沙盒网络故障，整场比赛跑完，状态正常，数字看着合理，但每一个动作都是默认动作，一次模型调用都没有，API 成本是零。
终局状态只能证明运行时活下来了。它不证明模型参与过。
这是个很容易漏的失败模式：你没看到报错，你看到的是一个漂亮的正常结束。所以有效性函数要反过来写，fail closed——回退数、决策错误数、规划器故障数三项全为零，并且每场的收据数大于零。少一项，整场作废。
说到这个门控，评论区有人指出了门里有个漏洞，作者自己没看出来。
前三项是全称量词：每一场都必须为零。收据项是存在量词：至少有一条收据就行。你把一个存在量词塞进一串全称量词里做合取。结果就是，一批里如果有九场全是默认动作、只有一场真跑了模型，这个批次照样通过。
修法是把收据项改成同形：数一数有几场收据为零，要求这个数为零。
这个漏洞本身比它造成的损失有意思。凡是拿"运行成功"当门控的实验，都该回去检查一遍门里有没有混量词。
现在说真正改变解读的那一处。
作者一开始的指标是：合作阶段之后出现任何一次单方面背叛，就算一次计划好的收割。这个指标会奖励最后一轮的背刺，对手根本没机会回应，你当然是净赚。
换成互斥的轨迹形状之后，账不对了。干净收割要求至少两轮铺垫、一次单方面背叛、之后收割方还得做一次防御性背叛。按这个标准重新看旧数据，一些所谓成功策略只是终局收割。那里面有收益事件，没有回应周期。
开头那句说法太绝对了，收紧一点：试点不是假的，但它证明的东西比它看上去证明的少得多。
那么五个种子、两个座位、五个长度，跑出来什么。
干净信任—背叛弧线，无规划器 3 条，结构化规划器 1 条。早期互相背叛崩溃，2 对 5。背叛后锁定，3 对 1。模型调用 280 对 372。成本 0.154641 对 0.300639。
轨迹差异的方向是不利的。但配对分析只有五个种子块，这个数字撑不起"规划器有害"。符号检验 6/32，p 是 0.1875。²
你可能会反对说，那就加长度，把样本量凑够。
加长度没用。五个非并列块的符号检验，就算 5 比 0 全胜，下限也只有 0.03125。这是这个设计的天花板，跟长度无关。要提功效，只能在已有的长度里加种子。³
作者还自己推翻过一个判断。N=9 那个早期崩溃，他一度认为这是反对纯几何解释的最强反证。短局窗口窄，长局窗口宽，如果标签差异只是窗口宽度造成的，长局不该出早期崩溃。但他是在看完五个块之后挑出的这个极端值。它只能当一个块进配对表，没有额外权重。事后选择就是事后选择，哪怕挑出来的那个格外顺眼。
机制上有个解释听着挺顺：对称悲观。两个同模型玩家都拿到一份"对方可能利用我"的规划，于是双方更快走到互相背叛。数据没把这条机制分出来。也可能是规划提示太强调利用，也可能是状态表示里缺少修复信任所需的证据。这些都还开着。
不过成本那条不用等机制。
规划器是每次触发都跑的。哪怕建议被拒、冗余、或者根本有害，它都照跑。所以"它有时候有用"这个说法，在"它总是更贵"同样成立的时候，是不够用的。1.94 倍这个数字是收据，不是 token 价格估算。
作者现在用三个动词分开说结果。demonstrated，行为在有效样本里确实发生了。replicated，换种子换条件之后还活着。improved，在有效比较里赢过了基线。
这个规划器 demonstrated 了。它没有 replicated，也没有 improved。
三个动词分开，比这个实验本身的结论有用。因为接下来一年里，我预计会看到大量 demonstrated 被当成 improved 发出来。单种子、漂亮的推理记录、机器可读的输出格式，每一样都让一个行为看起来比它实际被验证的程度更硬。
单种子最危险的地方，不是它是假的。是它是真的。
¹ 这不是说镜像座位没价值。它值一个东西：把座位优势从两臂差异里减掉。它不值第二个：增加独立样本。
² 范围得说清楚：五个独立种子块，一个模型家族，一种重复博弈。这说明不了规划通常会让 LLM 变差，也说明不了这个规划器会让这个博弈变差。它说明的是，这一次没测出改进。
³ 有人用 20 万次重采样算过一个标签倾斜的概率，得到 0.1281，比 0.1875 小。这两个数不是一个事件。前者允许并列，是边际概率；后者预设了五个非并列块，是条件概率。而且那六个标签里有几个在 20 场里只出现一次，几乎总是并列，在这个样本量下这套分类法实际上接近二元的。