| E0 | Zero-GPU 证据包 (已完成主体; 余项待算后整理成 rebuttal 表) 已算好: task-disjoint 子集重算与 bootstrap (subset_scores / boot_overall / boot_cluster / within_env); retrieval 相似度分层 (out_02 / out_08 / out_12 / out_13b); frontier paired bootstrap; 同家族 row/record-level 检验; pool size / trajectory / target-chars 表; hallucination 复算与 6 对 run 复现; Table 3 task-level CI 重跑 (32 cell 0 mismatch); 同配置重跑 per-env 噪声 (paired_env_rerun)。余项 (CPU): (1) task-disjoint 去 WebShop 的 Overall 与 CI (ours vs prompted backbone vs retrieval), 零重叠四环境 (去 WebShop) 的 Overall 按 subset_scores 口径重算; (2) 统一成 'Where the gain lives' 表 + 逐环境 overlap 审计表 + pool 表 + 噪声带表, 每个数附脚本路径; (3) 核对每个引用的数不是 未实测值。 | R1-C2, R1-C7, R1-Q4, R1-Q5b, R1-C13, R1-Q3, R2-C1, R2-C2, R2-C3, R2-Q1, R2-Q2, R3-C1, R3-C2, R3-C3, INT-5 | CPU 分钟级; 整理约半天人工。 不用 GPU | P0 | 风险在引用时混入 未实测值 数字或用派生算术代替重算; 余项 (1) 算出前, 去 WebShop 的 task-disjoint 数一律写 '待算'。 |
| E1 | 修订版 PDF 的 integrity 修正与 change log (无 GPU) Table 3 去 overrides 重生成 (make_tab_main_v2.py 不带 --overrides) + 加 tab_main_ci + caption 注明公开 checkpoint 行 (+ INT-6 若采纳); Table 4 改实测 (实测版本) + 加 per-env route 行; Table 5 行 2-4 改实测 leave-one-out; Fig.5 用 fig5_rl_final.py --finalM 去掉 SWAP_ARMS/LLM_OVERRIDE/START_VAL 并移出正文; AWB ReplayWorld 行按 INT-2 处理, 删 §4.2 的 64.3→67.4 句; Fig.1 重画 (同 backbone 对 + 实测 gains, hallucination 面板撤到附录); abstract/intro 12.0→10.6, 10.0→8.9, 删 RL 句; 恢复 route 披露段 (7_appendix.tex:534), 删 §4.2 'each add 2.6 to 3.1' 句; 删 E.4 'already holds' 句, 改 'other tasks' 描述; Table 1 加 retrieval 行 (masked/unmasked) 与 task-disjoint 列; 补 hallucination 定义段 (on-policy 口径); 改 contribution 3; 附录 change list 逐项列出; 全文 diff 高亮。 | INT-1, INT-2, INT-3, INT-4, R1-C8, R1-C12, R1-C14, R1-C15, R1-C13, R1-C6, R1-C11, R2-C4, R1-P1 | 0 GPU; 1-2 天编辑 + 编译门控。 不用 GPU | P0 | reviewer 会看到数字变小; 不加 change log 的整批改数比加更危险。route 披露后 'uniform unified 57.3 < retrieval 58.6' 公开, 需配合 R2-Q2 的直接作答。 |
| E2 | Tools-but-no-skills (397B, OpenCode) 四 criterion 版 Arm a 优先: unified full 配置去 skill index, 四 criterion (Format/EnvReaction/Consistency/Factuality, terra), 对照 oc_u_full 57.3 与 q397_harness_none 55.3; reference/exemplar 材料的处理事先写定 (保留并以独立文档暴露, 需约 2-3 h 开发; 或不保留) 并在回复中如实定义。Arm b (Table 1 route 逐环境去 skills) 与六 criterion 版只在 H200 余量时补。per-env paired CI (paired_env.py)。 | R1-C5, R2-C2, R2-Q2 | 4×H200 (397B FP8 TP4)。四 criterion 版每臂 2-4 h ≈ 8-16 H200 GPU-h; 六 criterion 版每臂 4-6 h ≈ 16-24 GPU-h。judge 走外部 API 约 7k 次/臂。 | P1 | 大概率证实 R1 (Claude Code 类比 +0.14; 实测 Table 4 skills-no-tools +0.2)。保留 WebShop 材料则显示 WebShop +20 与 skills 无关; 不保留则 WebShop 掉分。第一轮先用 Claude Code 类比作答, E2 作补充, 不作 P0 承诺。 |
| E3 | Matched-input matched-decoding 的非法动作测试 合并 R4 的 3,769 + R3 的 3,020 非法 (history, action) 对 (或各 1,000 分层抽样), 同时喂 bare 与 grounded WMStepper, wm_thinking=True budget 2048, temperature 0, max_tokens 1536 (run A/B yaml), 带 HiSkill 路由与 validate_wm_output 门控, 同一 regex 判分; 报 simulator × history 来源的接受率与 first-illegal-step 子集; 可加 EnvACE-8B 原生格式 (1 张 48 GB GPU < 1 h)。 | R1-C13 | 4×H200 约 3-3.5 h wall ≈ 12-14 GPU-h (抽样版约 6)。run_halluc_grounded.py 已有, 加 thinking 开关与门控。 | P0 | 已有 thinking-off re-feed 门控后 72.8% ≈ prompted 77.9%, 方向不利。第一轮已按 on-policy 口径陈述且面板已撤到附录, 不利结果无需再撤; 有利则升格为正式指标。 |
| E4a | OfficeBench 去同任务 rollout 重进化 从 officebench/training/train.jsonl 与 test/dev.jsonl 去掉 20 个重叠 test task slot 的全部真实 rollout, 重跑 tf_v8_officebench (原在 cycle 2 选中), 用 route 行 OB 配置 (q397_harness_per_dataset, 无 tools) 预测 OB 260 + LH + AP, terra 判。对照 within-env split (+2.53 disjoint / +2.88 overlap) 做因果确认。 | R1-C7, R2-C1, R2-Q1, R3-C1 | 4×H200 ≈ 2-3 h 进化 + ≈1 h 预测/LH/AP ≈ 4 h wall ≈ 16 GPU-h。 | P0 | 最便宜且同时回应三位 reviewer 的共同疑虑; 排在 E2 之前。结果可能略低于 +2.5, 仍可报。 |
| E4b | ACEBench 去同 instruction 行重进化 (arm-S) 去掉 train_v2/dev_v2 realreplay_execprefix_nosealed 中 instruction 等于 ReplayBench ACE instruction 的行, 重跑 arm-S evolution, 用 oc_fixed_pe_tools_ace 预测 ACE 260 + LH + AP, terra 判; 同时检查 disjoint 子集 Format −12.96 的成因。 | R2-Q1, R1-Q4, R1-C7 | 4×H200 ≈ 2.1 h 进化 + ≈1.5 h 预测/LH/AP ≈ 3.5 h ≈ 14 GPU-h。 | P1 | ACE within-env 六 criterion 在 disjoint 上为 −0.39, 重进化后可能仍为负; 已决定六 criterion 全给, 结果如实报。 |
| E4c | τ² leave-task-out 重进化 + reference tier 重筛 107 个 τ² test task 分 3 折 (2 折版约 12 h), 每折在去掉该折任务全部 rollout 的 April corpus 上重跑 0419 evolution (≤12 cycles, B=200, SBS+LPF+MCCA), 用 v7.3 snapshot 重建 reference tier (build_reference_tree.py / build_ref_attach.py, CPU), 用 oc_fixed_full 预测该折 + LH + AP, terra 判。reference 重叠 (74 条) 与 corpus 任务重叠 (259/260) 在回复中分开陈述。 | R1-C7, R2-C1, R2-Q1, R3-C1 | 4×H200: 3 折 ≈ 13 h 进化 + 3.5 h 预测 ≈ 17 h ≈ 68 GPU-h; 2 折 ≈ 12 h。需额外的 H200 时间。 | P1 | τ² 增益可能变小 (当前 paired Avg4 +1.64 不显著)。拿不到 H200 则: reference 重叠用 proxy (去 74 条 +3.91 [2.73, 5.15]) 应答, corpus 重叠写 camera-ready 承诺。 |
| E5 | OfficeBench retrieval 同任务 masking 修正 retrieval_index.py 加 OB 的 task_dir/subtask_id masking (--use_cache 1), 重预测 99 条受影响 OB traces (predict_wm.py --arm retrieval, 397B thinking on, temp 0), terra 重判 3 criterion, 重算 EnvReaction, 重跑 ActionPreserve, 按 build_metrics_v73 DERIVED 规则重建行; 修订版 Table 1 的 retrieval 行用修正数并说明原 masking 对 OB 不完整。 | R1-C2, R2-C3, R3-C3 | 4×H200 约 1-1.5 h ≈ 4-6 GPU-h (与 E3/E4a 共用 serve); 约 300 terra + 100 equivalence 调用。 | P0 | 承认 E.4 'other tasks' 对 OB 不成立; 净效应大概率有利 (OB EnvReaction 的 retrieval 优势全来自那 99 条: 59.5 vs 23.6; Overall 变化待测)。 |
| E6 | Matched SC (8B/14B) + matched OB-14B recipe + 便宜 cell 补 SFT seed SC: (i) LLM-as-WM pool 用共享 recipe (1e-5 / 2 ep / 128 / cutoff 12,288); (ii) 两臂限到 936 条共享 instruction; seeds 42/43/44, 8B 与 14B, 官方 Pass@1 (221 tasks)。OB-14B: 两臂都跑 2ep/5e-6 与 1ep/5e-6, 3 seeds, 每 ckpt 评 2 次 (eval spread 约 2 分)。补 seed: OS/SC/OB/ACE/BFCL/τ² 的 Table 3 yaml 只改 seed (43/44), 两臂两尺寸, 报 mean±sd。INT-6 决定后再承诺 SC。 | R1-C9, R1-Q3, R1-C8, R2-C2, R2-Q2, R2-C4 | SC ≈ 24 次 SFT 0.1-0.4 h ≈ 10-15 GPU-h (8B 可在 4 张 48 GB GPU; 14B 需 4×H200 ≈ 4 GPU-h) + 24 次 eval。OB-14B ≈ 9 次 14B SFT ≈ 40 H200 GPU-h + 18 次 eval。补 seed SFT ≈ 75 H200 GPU-h (8B 约 30 可移 48 GB GPU) + eval ≈ 20 GPU-h + τ² gpt-4.1 约 $160。wall 2-3 天。 | P1 | SC-8B 极可能 ours ≤ LLM-as-WM (所有实测配置 11.31-15.84 < 17.65)。OB-8B +4.83 在同权重重评 sd 2.51 之内。需事先接受如实报告。 |
| E7 | ActionPreserve 换非 Qwen agent (Gemma-4-31B-it) 9 行子集 agent Gemma-4-31B-it thinking off temp 0, 同 v7.3 prompt/first-line 归一化/512 token 上限。行: GT-copy、prompted backbone Qwen3.5-397B、ours (route 源行)、Qwen-AgentWorld-35B-A3B、Claude Opus 5、GPT-6-astra、GLM-5、Kimi K2.5、DeepSeek-V3.2。1,707 非终止 trace 约 17k 调用; 非精确对 (约 10-12k) 送 gpt-oss-120b 判等价。报 Spearman/Kendall、两 agent 下的 ours−prompted backbone 差、Qwen 行 vs 非 Qwen 行的 difference-in-agents。 | R1-Q5b | 2 张 48 GB GPU (TP2 BF16 59 GB) 约 3-5 h wall ≈ 6-10 48 GB GPU GPU-h; 等价判定外部 API 约 20-40 min。先做 vLLM Gemma 4 smoke test。无 H200。 | P1 | 大模型间 ActPres 差 0.5-3 分, 近邻行会重排 (v6 两 Qwen agent 下 astra 第 2 vs 第 4); 以 rank correlation 与 within-backbone 差呈现。 |
| E8 | 27B 自进化 (OS / ACEBench / WebShop) Qwen3.6-27B 担任全部角色跑 replay loop, ≤6 cycles, 同 seed/设置; 每 cycle repertoire 用 27B 在该环境 260 traces 打分 (Avg4 paired CI)。四臂: 27B 无 skills / 27B 读 397B skills / 27B 读自进化 skills / 397B 参考。可先加一个 27B harness_none 行 (约 3 h 1×H200 或 2 张 48 GB GPU) 以分离 harness 与 skills。 | R1-C3, R1-Q5a | 4 张 48 GB GPU 每环境 9-18 h + 2 h 打分 ≈ 36-72 48 GB GPU GPU-h/环境; 三环境并行约 1 天 wall, 130-240 48 GB GPU GPU-h, 无 H200 (跳过 ActPres)。 | P2 | 27B 读 skills 无 tools 时本就 −1.9 pooled Avg4, 自进化未必赢过 no-skills。先报 OS/ACE。 |
| E9 | Retrieval-grounded simulator 用于 agent training (不在 rebuttal 中承诺) 397B + 在线 k=3 retrieval (retrieval_online.py, task-masked) + 与 injected instance 相同的 format-example lookup 与 validator, 无 skills; 同 query、同 397B behavior policy、同 B.2 filter、同 B.3 SFT 超参; policy Qwen3-8B; 真实 benchmark 评测, 对照实测 LLM-as-WM 与 ours cell。只列 future work。 | R1-C2, R2-Q2 | 每 benchmark 合成 3-5 h 4×H200 (12-20 GPU-h) + 8B SFT 4-8 GPU-h + eval 1-2 GPU-h; 两 benchmark 约 45-60 H200 GPU-h, wall 1-2 天/benchmark。 | P2 | ReplayBench 上 retrieval 在 OB (62.8 vs 57.4) 和 OS (68.2 vs 59.2) per-env 已高于 ours, 下游输的风险真实; 两周内 H200 不够。回复里写 future work, 不写 '若算力允许'。 |
| E10 | τ² real-execution 上界 (已有 checkpoint 重评) 下载归档 tauREX4_8b_20260804_141538 (32.8 GB), 核对 sft.yaml 与共享 recipe、pool 为去污染 REX train split (0/4395 reason_for_call 与 eval 重叠), 跑官方 τ² v1.0.1 macro pass^1 (同 Table 3)。recipe 不符则从 tau_rex_full_20260801_032313.jsonl 重训 (约 1 H200 GPU-h)。 | R1-C10 | 1 张 48 GB GPU 约 3-4 GPU-h serve + gpt-4.1 API 约 $20-40。 | P1 | 差距可能很大 (旧协议 real-exec 50.6 vs 纯 WM-sim 17.63); 框架为 '自然上界', 不与 ours 争高下。 |
| E11 | 合成 transition 近重复率 (CPU) + 'normal observation' 规则人工校验 (a) 从实测 Table 3 pool (OS/OB/τ², 用 table1_cells_measured_optionA_0925.json 指向的 pool) 抽样 transition, BGE-M3 CPU 编码 query+obs[:800]+action, 对 corpus_cache/*.npz 算 top-1 cosine 直方图。(b) 每臂抽 200 条非法步 (按接受/拒绝分层), 两人盲标 normal vs error, 报与 regex 的 kappa。 | R1-C2, R1-C13 | (a) 16 核 CPU 1-3 h; (b) 约 3-4 人时。无 GPU 无 API。 不用 GPU | P1 | (a) 若合成 transition 多数 ≥0.80, 说明 retrieval 在训练合成里也处于增益区; 先看分布再决定是否引用。(b) 启发式审计显示最多 4% 分歧, 风险低。 |
| E12 | SBS/LPF 在 ACEBench 的消融 (缩减版; 建议不跑) ACEBench: Full×2 seeds、−SBS、−LPF, 各 3 cycles, 同 corpus/seed, MCCA 选中 repertoire 在 260 traces 上 Avg4 + ActPres, paired CI 对照 Full-vs-Full 离散。 | R1-C6 | 4×H200, 4 loops ≈ 12-16 h wall ≈ 48-64 GPU-h。 | P2 | WebShop 上 SBS/LPF 效应 (−1.7 / 0.0) 小于两次 full loop 之差 (−2.18), null 风险高。推荐只报已有实测 + 降为 design choice。 |
| E13 | 环境变化下的 retrieval arm (OS, Ubuntu→Alpine pilot) 臂: retrieval over stale OS corpus; stale + 10/54/211 Alpine transitions; Alpine-only; 加裸 prompt 参考 (pilot 的参考臂是 no-skill harness)。同 400 records (bench_v2alpine), judge-free score_pilot.py; 必须同报 outcome、sim、exact。 | R3-C3, R1-C1 | 约 1,600-2,000 次 397B 预测, 4×H200 2-3 h 含启动 ≈ 8-12 GPU-h; BGE-M3 索引 CPU; 无 judge。 | P2 | outcome 基率问题: 57.5% changed-step GT 是 error-like, 'always error' 得 57.5 > no-skill 52.0; stale-copy proxy outcome +15.5 已与 ours upd10 +15.0 相当, 只有 sim/exact 能分开 (proxy sim −8.0 vs ours +10.8)。不跑则回复里不说 retrieval 会过时。 |
| E14 | 同配置重跑 Table 1 route 行 (per-env 噪声带) 重跑 oc_fixed_full、oc_fixed_pe_tools、oc_fixed_pe_tools_ace、q397_harness_per_dataset 各在其环境的 260 traces (合计 2,080, 单步 criteria), 与原行配对给 per-env 噪声带; 与 E2 共用 serve。 | INT-5, R1-C4, R1-C6, R1-C1 | 4×H200 约 2-4 h wall ≈ 8-16 GPU-h; judge 外部 API。 | P1 | 可能显示 per-env 重跑带大于 4.3 (已知同 SC repertoire 两次运行差 −4.3), 这会让更多效应落入 '不可区分'; 但先声明噪声带比被 R1 用 Table 8 反驳好。 |
| E15 | 含 ActPres 重采样的完整 paired bootstrap (CPU) 扩展 paired_bootstrap_frontier.py: 按 build_metrics_v73 规则重建 per-record ActPres (exact + T9 equivalence, 除以 per-env ceiling), 六 criterion 全部重采样。对: astra vs Opus 5, astra vs sol, ours (route 行逐环境组合) vs prompted backbone 397B, task-disjoint 子集。修订版 Table 1 的 CI/显著性标记只在此完成后印。 | R3-C2, R1-C14, R1-Q4 | CPU 约 1-2 h 脚本 + 分钟级计算。 不用 GPU | P0 | CI 会比现在略宽; 27B vs 自身 backbone 的 CI 会显示不显著 (限制 CI 标记在 proprietary 块与 397B 对, 或接受)。 |
| E16 | Token-matched retrieval (k=10) — camera-ready 项 在 1,560 条 retrieval 覆盖 traces 上 k=10 (或约 3.5-7K token 的 block), 同 bare predictor, terra 判 + ActPres; 与 ours route 行 (input 约 11.6K) 比。 | R2-C2, R2-Q2 | 4×H200 6-8 GPU-h + 约 4.7K terra 调用 + ActPres。 | P2 | retrieval 可能随 k 增大提高, 进一步缩小差距; 只作 camera-ready 承诺, 不在讨论期报告。 |