评测分掉了，不该先怪智能体

智能体评测一掉分，第一反应常是模型或套件不行。这篇把尺子本身拉出来压：同一条轨迹换包装、换名字、再跑一遍，看翻的是智能体还是测量。方法写成 TRACE。论文号 2610.11678，2026-10-08 挂到 arXiv。配套仓本轮核到零星，协议页写署名非商用相同方式共享。数字以论文表为准，不是本轮复现。

换包装几乎不翻，换裁判就对不上

合成研究运维环境写了二十五道题，智能体要取文档、改配置、跑模拟实验、查日志、交报告。公开柜台基准冻住六加三十道，后来八十八道未见过；另有一百零八道通信向探索。原生校验器之外，再加两家单次调用的大模型裁判，盯冻住的轨迹。

一百一十八条原轨迹上，重复跑和改工具名各 0 次翻盘，改观察格式 1 次。两家裁判对原生结果：一家一致 95%，系数 0.89；另一家一致 38%，系数 0.09。同一批记录上，两家互相不一致 57%。一家自己对同一条再判，有 3.7% 对不上。作者的意思是：包装稳，不等于裁判稳。

分掉了，先分清是谁的锅

意思不变的改写，八对智能体乘改动里有七对奖励波动落在正负 0.10 里，有一档格式改动写了不确定。把域名打乱、标签骗人但题仍能做时，四档智能体奖励掉 0.196 到 0.437，区间都不含零。完全相同的原轨迹再跑，三档翻盘 14.7% 到 16.3%，有一档 35.6%。八十八道、三轮的主表里，七对等价改写仍被标成等价。

四档智能体写成两家内测快档、一档低精度内测和一档公开快档，正文不写花名。误导命名对照里，四档分别掉 0.227、0.226、0.437、0.196，样本大约一百五十四到一百五十八。意思不变的改名有一档奖励从 0.500 到 0.767，作者仍把它放在测量扰动里看，不当成能力跃迁。公开柜台后来还写了一百五十八道可用里的八十八道未见过。仓里有合成环境和柜台工具的压测脚本，星数仍是零，页上没另写许可证，论文本身写的是署名非商用相同方式共享。论文把这条线和智能体分数拆开：分数变了，先问尺子，再问套件。若你要的是现成评测平台，这篇还不满足；若你要看掉分该不该先怪智能体，数字都在 10-08 那一版里。本轮没有把作者花名册写进正文。