長週期智慧體怎麼驗證？如果這個智慧體會自己寫狀態、自己報進度，而你又無法信任這些自我陳述，那問題就變成了死結。Mohsen Arjmandi 在 2026 年 8 月提交到 arXiv 的論文裡，給出了一種不同的思路：把驗證嵌進系統結構，而不是等跑完再追認。
論文標題很有意思——《The LLM Proposes, the Executive Disposes》。LLM 負責提議，一個確定性的 Executive 負責處置。聽起來像管理哲學，實際上是一套 agent 驗證儀器。
當智慧體自己的狀態和自我報告恰恰是最不能信的東西時，你如何驗證一個長週期 agent？
從「事後檢查」到「結構驗證」
大多數 agent 驗證思路是事後評估：跑完任務看結果，或者讓模型解釋自己。但解釋本身又是模型生成的，等於用不可信內容證明不可信內容。這篇論文的解決辦法是：確定性執行器掌控所有信念，語言模型只能提交帶型別的提案；任何宣告要被接受，必須先在行動前預註冊一個預測，再由程式碼將這個預測與觀測比對。
換句話說，模型不再擁有最終的「記憶權」。它可以說、可以建議，但能不能成為可信事實，取決於程式碼能否驗證預註冊預測。這個機制把「自我驗證」從模型能力問題，變成了結構問題。
一套會自我作廢的實驗儀器
論文還給了兩個頗為特別的性質。一是自動失效機制：當分片寫入錯誤、渲染尺寸、加鹽 canary 回顯等閾值被突破時，整個執行會把自己標記為無效。前 8 次架構執行中，有 4 次被失效，而且每次都定位到了真實缺陷。這相當於把「實驗失敗」變成第一類產出。
二是渲染不可見的影子參考：它會在每個消融單元裡編譯完整系統本會執行的計劃。有了這個影子參考，即使被測機制被移除，漂移指標仍然有定義，對比才有意義。
基於這套儀器，作者報告了一個乾淨的單變數結果：消融承諾機制會讓目標放棄率從 0.00 翻到 1.00，而繫結誤差仍穩定在 0.00。三個種子每格，每次執行最多 394 個參考節拍，所有執行都有有效門控。繫結通道則不同——修復被消融後，它並沒有在逐拍漂移中重新出現，因為繫結由程式碼持有，這類故障被結構性吸收了，只在更上游留下一個假設形成崩潰的痕跡。
誠實的零分，反而更重要
論文沒有迴避尷尬的部分。他們在 ARC-AGI-3 上跑了 52 次有門控的執行，任務效能為零：沒有任何一次完成關卡。這一點被預先註冊為「結構性擊敗項」。換句話說，這個儀器目前不是用來刷分的，是用來做驗證方法論的。
這種坦白在 AI 論文裡很少見。它意味著作者更想確立的，是一條 agent 開發的可信路徑，而不是一個更強的 agent。
對做長程 Agent 的人有什麼用
如果你正在搭帶記憶、規劃和多步執行的 agent，這篇文章真正戳中的痛點是：你分不清「模型不想做」和「模型做不到」。論文把這兩種情況拆成了承諾漂移與繫結漂移——一個是目標層面的放棄，一個是執行層面的偏離。分開度量，才能知道該修哪一層。
對團隊而言，有幾件事可以直接借鑑：
- 把關鍵信念交給確定性程式碼，而不是交給模型自述；
- 行動前先寫下可程式碼校驗的預測，再用觀測去驗證；
- 把「執行失效」當作可積分的元訊號，它常能定位真實缺陷。
同時也要保持清醒：這個框架目前沒有展示任務完成能力，論文自己也承認任務效能為零。把它當作科學研究工具來看，而不是開箱即用的 agent 產品，才是合適的定位。
長週期 agent 的問題從來不在單步回答，而在「長時間裡到底哪裡開始漂移」。這篇論文的價值不是給出了答案，而是給出了一個能讓人信任答案的結構。
評論
暫無評論
成為第一個評論的人