# 一篇已有长报告的实际更新

[English](README.md) | [简体中文](README.zh-CN.md)

2026 年 10 月 14 日，接续已有的“编程智能体排行榜能支持什么采购判断？”报告，补充来源中的区分性证据与执行条件。交付完整更新稿 3,839 个非空白字符，沿用 Full/self，由当前作者上下文自查。没有重跑完整模型评测，也没有重新执行这些编程基准。

[更新终稿](report.zh-CN.md) · [本次首稿](first-update.zh-CN.md) · [此前终稿](../../../evals/studies/2026-10-14-native-agent/reports/toolkit/final.md) · [此前首稿](../../../evals/studies/2026-10-14-native-agent/reports/toolkit/first-draft.md)

## 来源核对如何改善正文

| 实际核对 | 原稿的问题与本次改动 |
| --- | --- |
| S2，OpenAI 编程评测审查，OpenLibrary-77c16d5 | 原稿未解释错误判定机制；补入题面要求一个前导空格、测试要求两个的具体例子，说明遵循题面也可能失败。 |
| S6，SWE-Lancer 官方运行说明 | 补入有效成绩须禁网、当前以 Linux iptables 实现的前提；联网 Mac 试跑不能作为等价成绩。 |
| S9/S10，Scale V2 公告与仓库说明 | 区分 69 道矛盾指令题与 529 份题面、214 份测试补丁、38 份参考补丁，避免混成同一个修复范围；补明 V1/V2 工具和执行条件不同。 |
| S10，锁定协议与重新评分 | 补明 Agent 仅访问模型端点，而准备／验证阶段可正常联网；记录干净镜像重评分及其对试用计划的影响。 |
| 新 S11，V2 发布控制记录 | 区分最后 642/642 全部通过与两组控制首轮各有 3 次基础设施失败、重跑成功，避免用最终正确率代表首次可靠性。 |

这些核对主要补齐原稿遗漏和解释，并未推翻“排行榜用于候选筛选，采购还需内部试用”的结论。[来源位置及实际阅读记录](source-checks.md)保留链接对应的来源编号；具体公开链接也在终稿及[更新后的记录](updated-records.json)中。

## 实际复用、返工与简化

原任务 50 个文件保持原样；从副本接续。原有 10 个来源文本和编号、16 个主张编号、6 项要求编号全部保留。只更新 4 个来源记录、5 条主张，增加 S11 与本次更新要求。6 个未受影响的来源不再在线获取，相关已保存内容按需核对；用户未填写 CSV 或重新回答需求。

首次自查发现改写 V2 段落时漏掉了原稿已有的“跨版本分数不能直接解释为模型进步”，据 S9/S10 恢复；同时把 529/214/38 的 S10 引用移到对应数字旁边。只修正相关段落，再核对完整当前稿。保留[首评 needs_revision](first-self-review.json)、[终评 pass](final-self-review.json)及对应版本，不重复评审未变稿件求通过。原始任务的独立盲评仍属于历史记录，本次没有新增独立评分。

两个真实摩擦也保留：首份更新稿 3,803 字符已达标，但 R-length 尚待确认，核对约定范围后更新该项再检查；S10 因首次工具输出截断而重复打开。另一次 S11 原文获取用于保留材料。因此不能称为“零重复读取”。

本次把可避免的自评材料搬运转成产品改进：本地 self 调用可传 `include_assignment: false`，返回冻结输入文件的位置与哈希。针对同一实际评审输入，返回体从 **210,018 降至 6,444 个 UTF-8 字节，减少 96.9%**。完整输入、版本绑定和检查不变，默认仍返回完整材料。计量方法是对返回对象执行 `json.dumps(parsed_response, ensure_ascii=False)`，使用默认分隔符，再计算 UTF-8 字节数；不包含 MCP 传输封装或缩进文件格式。这个比例只量化序列化返回对象，不代表整项研究的 token、时间或费用降幅。

## 实际时间与消耗

从收到本次请求到保存首份完整更新稿 **5 分 23 秒**，到完成报告交付检查 **11 分 28 秒**。这是当前执行过程的实际墙钟时间，期间交错进行了来源核对、正文更新、自查及小范围代码修复／回归；不能当成隔离的纯写作耗时，也不能与历史从零写作直接相减来计算节省。

报告完成阶段的宿主计数器增量：输入 **3,084,005 tokens**（其中缓存输入 **3,004,160**），输出 **21,488**（其中推理输出 **8,830**）。缓存输入和推理输出分别是对应总数的子集。范围包括当前长上下文、上述交错工作及紧接交付的核验，不包括后续案例整理、CI 和合并。未取得货币账单，也无法拆出纯报告作者用量。[数值快照与时间边界](resource-use.json)保留实际测量依据。

可确认的收益是保留既有研究、补齐具体解释和条件、避免重建未变记录，以及缩小一次工具返回。未做“更新 vs 重写”配对，不能量化究竟节省了多少总时间或返工，也不据此声称 Full 普遍提质或省钱。

[执行汇总](execution-summary.json)保存原件哈希、输入版本、稿件哈希、复用数量与交付结果；[首稿检查](first-draft-check.json)保留待确认状态，[终稿检查](final-draft-check.json)保留通过记录。完整冻结输入和回执留在本地任务，公开的是上述证据子集，不是可移植的完整任务快照。

10 月 15 日，Astra 在不继承作者对话的单独上下文中复核本轮调整，未发现必要修正；上文已采纳可选的序列化计量方法补注，保留原报告与测量值。见[独立复核及针对性复验](review-2026-10-15/README.zh-CN.md)。

后续：[10 月 15 日通过 status/save 变化摘要接续同一报告](status-save-2026-10-15/README.zh-CN.md)，保留来源关联、实际修改和公开 CLI 调用。