ИТОГОВЫЙ ЛОКАЛЬНЫЙ ОТЧЁТ — Eye172
Дата подготовки: 10 октября 2026, Asia/Qyzylorda. Машинные метки времени сохранены в UTC.
Статус: завершённая локальная экспериментальная серия и исследовательская рабочая статья. Независимая человеческая научная проверка и рецензирование пока не проведены.

ЧТО РЕАЛЬНО СДЕЛАНО
Учтены все 2 880 исходных назначений: 2 876 завершённых испытаний и четыре прерванных защитой с неизвестным полным исходом. Прерванные испытания не повторялись и не подменялись успешными результатами. Все 2 876 завершённых траекторий повторно воспроизведены из сохранённых ответов и оценены. Девять сохранённых ответов в четырёх частичных траекториях проверены отдельно; отсутствующие ответы и полные затраты прерванных запросов не выдуманы.
Основная серия содержит 8 549 модельных вызовов и 6 155 745 измеренных входных плюс выходных токенов в завершённых испытаниях. 96 испытаний разработки/квалификации и прежние 108 испытаний v1 исключены из этих чисел. Модели действительно работали через локальную Ollama; платного модельного API не было. Стоимость электричества не измерялась.

ДИЗАЙН И УСЛОВИЯ
Шесть синтетических шаблонов: ranking, capacity, dependency, recovery, validation, freshness. Четыре структурных настройки и пять экземпляров дают 120 оценочных выборок, но только 115 различных семантических входов. Это не 2 880 независимых задач. Настройки L1-L4 не являются экспериментально подтверждённой универсальной шкалой сложности.
Четыре условия: одиночный workflow и последовательные роли planner/worker/reviewer/worker, каждый с необязательной либо обязательной структурной проверкой перед завершением. Три повтора на каждую пару задачи/условия, два связанных маленьких checkpoint: qwen2.5-coder:0.5b и qwen2.5:0.5b, Q4_K_M. Тест не охватывает весь каталог Agent Deck.
Одинаковые максимальные бюджеты: до четырёх вызовов, контекст 8192, до 192 выходных токенов на вызов, эффективный агрегатный лимит 16192 токена, до 16 допустимых ID. Роли, обязательное число стадий и фактические расходы различаются; эффект числа агентов отдельно не идентифицирован.
Все промпты, настройки, семена, сырые ответы, изменения плана, публичные проверки, частные оценки, решения о завершении и токены сохраняются. Основная оценка правильности получена доверенным детерминированным семантическим алгоритмом, а не LLM-судьёй. Скрытые рассуждения и намерения модели не измерялись.

РЕЗУЛЬТАТ
В этих условиях обязательная структурная проверка не дала наблюдаемого выигрыша в правильности. Границы эффекта contract-minus-open при крайних допустимых исходах четырёх пропусков:
Coder-0.5B: от -0,278 до -0,139 процентного пункта; условная bootstrap-оболочка от -0,833 до +0,556.
General-0.5B: от -0,556 до -0,139 процентного пункта; условная оболочка от -0,972 до +0,278.
Оболочки включают ноль и относятся к изменению параметров внутри фиксированных авторских шаблонов. Они не являются доверительными интервалами для всех моделей, архитектур или новых типов задач. p-value и универсальный выигрыш не заявляются.
У Coder правильны 246 финальных планов, из них 232 — recovery. У General правильны только пять, все — recovery. Копирование порядка исходного recovery-манифеста решает 20/20 оценочных выборок. Первый ID решает 10/20 validation. Поэтому успех здесь преимущественно отражает простой обходной способ решения, а не подтверждение сложного reasoning.
Последовательные роли расходовали в среднем примерно в 2,63 раза больше токенов у Coder и в 1,47 раза у General относительно одиночного workflow, по наблюдённым испытаниям. Это описательные сравнения неравного фактического compute.
Меньшее число принятых ошибочных ответов может означать больше отказов в принятии, а не лучшие ответы. Поэтому отдельно приведены доля принятия и ошибка среди принятых. При нулевом числе принятых ответов условная ошибка не определена, а не равна нулю. Одна сохранённая Coder staged-open траектория меняла ранее правильный установленный план на неправильный итоговый; это наблюдаемое изменение, не доказательство причины.

ОБНАРУЖЕННЫЕ ПРОБЛЕМЫ И ЧЕСТНЫЕ ОГРАНИЧЕНИЯ
Шесть оценочных recovery-выборок, соответствующих пяти различным входам, точно совпадают с разработкой/квалификацией. Исходное разделение не является строгим семантическим holdout. Выполнены отдельно обозначенные post-hoc проверки с исключением пересечений и дубликатов; исходная основная оценка не заменена.
Исходный внешний recovery-grader пропускал ограничение длины, а видимое сообщение ошибочно называло восемь шагов вместо числового лимита двенадцать. 9 998 контрольных примеров проверены отдельным алгоритмом; 478 реальных завершённых recovery-записей сверены с более строгой проверкой. Семь фактических финальных планов превышали лимит, но уже были неправильны по другим правилам; бинарные результаты этих данных не изменились. Частичные баллы recovery по-прежнему исключают длину. Исправление сохранено как вариант для нового будущего протокола, не подставлено задним числом в эксперимент.
Зафиксированы три остановки из-за ресурсов и три потери heartbeat: две до допуска задачи, одна во время запроса. Четыре неизвестных исхода — три ресурсных и один heartbeat. Все 186 собственных Windows Jobs имеют подтверждение завершения.
Диагностический адаптер зафиксировал PermissionError чтения heartbeat. Первые две причины по старым boolean-логам однозначно не установлены. Кандидат с native share-delete reader провалил контроль замены файла при открытом reader и был отклонён; его провал сохранён. Qualified-адаптер с приватным Windows mutex прошёл проверки, но добавляет ограниченное ожидание до 100 мс. Эта post-freeze поправка к I/O отдельно зафиксирована хешами. Научные промпты, оценивание, модели, семена и расписание не изменялись. Старые STOP-файлы сохранены, автоматического сброса и скрытых повторов нет.

БЕЗОПАСНОСТЬ
Оцениваемые модели возвращали только конечные JSON-планы. Пути, URL, shell-команды, импорты, запуск процессов и динамическое выполнение кода в интерфейсе не представлены. Сгенерированный оцениваемыми моделями код не выполнялся. Доверенный исследовательский Python-код, подготовленный с помощью Codex, выполнялся.
Сервер запускался suspended, привязывался к собственному Windows Job и затем продолжал работу. Ограничены commit memory, число процессов, CPU, срок жизни, размер логов и пороги памяти/дисков. Независимый supervisor и постоянный master STOP работают fail-closed. Приватные управляющие пути не передавались оцениваемым моделям.
Это ограничение интерфейса и ресурсов, а не изоляция от скомпрометированного native-сервера: Ollama, Windows, Python, драйвер и GPU остаются доверенными. Windows Job не запрещает native-процессу доступ к файлам текущего пользователя; системная изоляция исходящих соединений и отдельная квота GPU не доказаны. Атаки на ядро/драйвер и враждебные соседние процессы вне проверенной границы. Абсолютная безопасность не заявляется.

ПРОВЕРКИ И МАТЕРИАЛЫ
49 тестов допущенного финального набора прошли. Исторический провал отклонённого кандидата не скрыт и не назван прошедшим тестом. Проведены полный replay завершённых траекторий, отдельный replay частичных префиксов, независимая сверка арифметики границ и показателей принятия, проверки frozen-input/model/runtime хешей и визуальная проверка 14 страниц PDF. Offline HTML проверен при ширине 1280 и 390, без переполнения страницы и неработающих изображений.
Статья содержит методы, ограничения, результаты, графики, таблицы, 18 источников и приложения об инцидентах. Это выборочный обзор первичных источников; систематический обзор всей литературы не заявляется. Участие Codex раскрыто, исторические даты не придуманы. Работа не выдаётся за рецензированную публикацию или исследование, полностью написанное человеком.
PDF: output/pdf/finite-plan-agent-study.pdf
HTML: output/research-report.html
Данные по испытаниям: output/trials.csv
Полные показатели: output/statistics.json и descriptive-diagnostics.json
Протокол и freeze: protocol/
Архив материалов: output/research-evidence.zip после успешной сборки.
Результат проверки архива: output/archive-check.json; результат воспроизведения из отдельной распаковки: output/portable-replay-check.json после его успешного выполнения. Последняя проверка является внутренней проверкой воспроизводимости на том же компьютере, не независимой научной репликацией.
Архив исключает веса моделей, native Ollama binary и приватные runtime-ключи. Для пересчёта нужен совместимый установленный Python с numpy; tokenizer и его provenance сохранены. Для новых модельных испытаний нужны отдельно полученные и проверенные веса и новый output-root.

ГРАНИЦЫ ГОТОВНОСТИ
Экспериментальная серия завершена; самостоятельный пересчёт и человеческая научная экспертиза — разные процедуры. Перед отправкой статьи в вуз или venue нужна проверка человеком и корректное описание ограниченного вклада. Расширение на сильные модели, независимые задачи без shortcut, строгий holdout и сравнение при равном compute требует нового протокола и новых данных. Это будущие исследования, не скрыто незавершённая часть данной серии.
Все создаваемые исследовательские файлы, веса, кеши и результаты находятся на D. Установленные инструменты читаются с C; OS-managed paging, активность Codex и драйвера не позволяют гарантировать ноль системных записей на C. Публичный сайт, его Git-репозиторий и QAAI в ходе этой работы не изменялись. Публикация результатов не выполнена.
