一些 AI 生成的研究缺陷可以从其产出中直接发现，另一些则只能通过对执行前批准内容的了解才能识别。为此我们提出 研究合约：将声明的实验选择、运行义务和声明范围绑定到实际执行的证据上，并将这种基于合约的验证与科学真理区分开来。我们使用八对自行构造的“干净/变异”样本进行诊断，展示信息边界。一个确定性检查器根据注册的、针对特定故障的规则，对批准对象和执行对象进行比对，成功检测出全部八个已注册的变异。随后在十八个记录的评审别名下，向每个别名提供仅含元数据过滤后的包（不提供配对上下文或注册的故障标签），共计 144 例变异评估，其中 104 例被标记为缺陷，32 例选择弃权，8 例出现终止错误，且对变异样本没有出现明确的“干净”判定。部分包仍保留批准和执行字段，包括摘要信息。评审提示明确要求在证据不足时弃权。上述结果描绘了一个信息不对称的研发环境，但并未分离权威信息的影响与任务规格或规则选择的差异，也不构成对验证器质量或代理奖励漏洞的比较。我们指出，需要进行全信息对比、合法适配控制以及闭环代理评估，才能检验合约检查是否在优化过程中提升了有用且合规的完成度。
点评