研究的关键不是「模型会不会修」,而是「测试绿了能不能信」。团队用真实运行时和保留契约执行每个候选修复;典型输入上的断言全过,仍有 0.410 的错误修复被放行。

一条从 release note 写出来的边界输入,把错误放行率压到 0.065,在 15 个未见过的新集群上是 0.061;让一个没看过程序的 GPT-5.6-luna 盲写三条输入,也能到 0.070。但把干扰项加到 233 个、片段扩到 1491 个后,边界输入和前沿模型写手仍有 0.168 和 0.153 的硬错误程序通过,说明「补一条边界用例」不是万能药。

两个本地模型写手没有通过预注册测试。结论是:迁移后的代码要拿「保留契约 + 边界输入 + 难例干扰」一起验,不能只看现有测试集。