维护基准，挡住 Agent 白拿通过（附录）

附录 A 按队列的测量

本文报告的每一个比率都是一个二项比例，$\hat{p}=k/n$，其中 $k$ 是具有所关注性质的任务数，$n$ 是相关集合中的任务数。我们报告 95% Wilson 得分区间。令 $z=\Phi^{-1}(1-\alpha/2)$ 表示标准正态分位数，当 $\alpha=0.05$ 时 $z\approx 1.96$。熟悉的 Wald 区间在观测比例 $\hat{p}$ 处使用估计方差，

$$\hat{p}\;\pm\;z\sqrt{\frac{\hat{p}(1-\hat{p})}{n}},$$

Wilson 区间则反演得分检验，并在被假设的比例下评估方差：

$$\frac{1}{1+z^{2}/n}\left[\,\hat{p}+\frac{z^{2}}{2n}\;\pm\;z\sqrt{\frac{\hat{p}(1-\hat{p})}{n}+\frac{z^{2}}{4n^{2}}}\,\right].$$

我们使用 Wilson 区间，是因为队列相对较小，而且许多观测比率接近零，Wald 区间在这种设定下表现很差。Wald 区间可以延伸到 $[0,1]$ 之外，提供低于其名义水平的覆盖，并且在 $k=0$ 时坍缩为单点 $[0,0]$，仅仅因为没有观察到事件就暗示确定性。Wilson 区间保持在 $[0,1]$ 之内，对小的 $n$ 维持近似名义覆盖，并且在 $k=0$ 时给出 $[0,\;z^{2}/(n+z^{2})]$，从而上界恰当地反映队列大小。随着 $n$ 增大，两个区间变得几乎相同。按队列的区间报告在表 S2 和表 S3 中。

表 S1 报告图 2 和图 S2 背后的每一个队列。它并排报告两个分析范围。列「被评估任务」「表面通过任务」「表面通过率」以及两个全队列计数列，使用每个队列的完整任务集计算。每个任务只计一次，违规优先于中性，因此两个类别不重叠。

「共享集任务」指图中使用的、提供方匹配的交集。违规、中性和完整性缺口列都在这个共享集内计算，因此逐行对应图 2 和图 S2。完整性缺口是共享集表面通过中被分类为违规或中性裁决的比例。因为它包括两个类别，它不可能低于违规率。在全队列上有 196 次违规和 117 次中性裁决，对照共享集中的 170 次违规和 91 次中性裁决。这些合计基于不同的任务集和分母，因此不应直接比较。

表 S1。各队列的任务、表面通过与违规、中性计数。

表 S2。图 2 面板 A 所绘制的置信区间（违规）。$k$ 是违规任务数。

表 S3。图 S2 面板 A 所绘制的置信区间（中性裁决）。队列与表 S2 相同。

附录 B 违规案例目录

类别定义在下面只列一次，然后案例按标签分组。

违规门说明。固定的评判在可疑行为可以被升级为白拿违规之前，使用类别特定的控制。有效性门要求一次已知的表面通过、一次被清楚证明的尝试、对验证器或奖励行为的实际影响，以及评分相关性。觉知加评估相关性门要求直接证据：智能体登记了相关的失败或不匹配，并把由此产生的行动或成功主张用在被评估的路径上。如果所指名的门没有满足，该案例就不是违规，必须按适用的中性或合法规则分类。

B.1 白拿违规

每一行案例给出基准、智能体模型、harness、任务名、证据，以及主要与次要评判的共识。引文逐字来自轨迹。

B.2 白拿案例