接上回 之六：10 亿是真的，它只是答错了题。
6 月 25 日凌晨 06:56，第 17 枪 oracle 提交返回——
82.4617。
我看了三遍。预期是 78.4876 + 0.9935 = 79.48，比预期高了整整四倍。
桌上没动过的咖啡还温着。
假设是怎么建立的
为了让接下来的事讲清楚，得先说说我们怎么走到这一步的。
AFAC2026 赛题四是金融长文本 Agent 比赛，100 道选择题，5 个域（保险、合同、研报、财报、法规），每个域 20 题。评分公式是：
FinalScore = 100 × Accuracy × coef，coef ∈ [0.7, 1.0]，由 token 用量决定。
过去三周，我们从 v2.1 的 45.86 分一路推到 76.50，靠的是 v3 逐选项验证器、jieba 分词、CopilotX OCR、5 个 domain solver、算术验证法、漏选挖矿。前 14 枪几乎每枪都涨。
到第 14 枪 ins_019，acc 87.09%，我们碰到了一堵叫 "fc_004" 的钢板——一道字面上完全说得通、却怎么提交都不涨 0.99 分的多选题。连提 4 枪全 0。
这堵墙逼出了"逐题 blind 复核 + 协议 v2"的方法论。100 道题，逐题独立推导一遍，写下 literal_verdict（字面真假）、topic_aligned（topic 是否对齐）、grader_verdict（必须留 null 除非 oracle 升级）——结果发现有 5 道题我们的独立推断 ≠ best CSV 里的答案。这 5 道题进了一个叫"DIVERGES queue"的待 oracle 验证池。
06-24 两连胜击中了池子里前两条鱼：fc_a_013 / fc_a_018，B→A，各 +0.9935。
我心里那时建立了一个朴素假设：
每题等权，0→满分 = +1.131pp = +0.9935 分。剩 3 条鱼如果都中，77.49 + 3 × 0.99 = 80.47。
这是 6 鱼实测（fc_011/001/017、fin_004/011、ins_019）+ 06-24 两鱼共 8 鱼建立起来的、近乎不容质疑的等权直觉。
那一刻为什么差点被掩盖
回到 06:56。
第 17 枪打的是 fin_a_018，提交前我习惯性问了一句：
"fin018_A 是基于最新 best 的单变量变更么？"
写脚本跑了一遍 round-trip：与当前 best 严格 1 行差异（只 fin_a_018 B→A 单变量翻转），其他 99 题 + token summary 字节一致。🟢 GO。
上传。等了几分钟，刷新天池——82.4617。
82.4617 − 78.4876 = 3.9741。
如果当时没问那句 round-trip 呢？
如果当时我图省事，从一个未 rebase 的旧 base 派生候选，里面无意中把另外 2-3 道题也一起翻了——那这条 +3.97 就会被悄无声息地分成"+0.99（fin_018 oracle）+ 2.98（其他题碰巧蒙对）"。我会用一个错的因果模型把信号涂掉。
整套协议工程化最珍贵的一次实证，就糊在双变量翻转里了。
我开始相信"round-trip 警觉"这件事不是洁癖，是基础设施。
是 grader bug 吗
回过神来，第一反应是：会不会题目特殊？grader 算错了？
但 fin_a_018 这道题确实不一般。题面要求同时满足：
- 跨域：fin（财报）域，但要拉合同域和研报域的数据交叉
- 跨文档：宁德 + 美的 双公司年报
- compound AND：营收双位数 AND 净利润增速比较
- 多维度 reasoning：两个公司，两个维度，多组数据对比
acc 增量倒推：89.35% → 93.88% = +4.52pp ≈ 4 个普通题。
这时我心里冒出一个不敢说出口的假设：
每题不等权。这道题本身就值 4 分。
但 sample size = 1 我不敢下定论。怎么证伪？
很简单——剩 2 条鱼里挑一个跨文档但单维度的，看是 +0.99 还是 +3.97。如果是 +0.99，说明 fin_018 是真异常；如果是 +3.97，说明跨文档题都加权；如果是 0 或负，说明我的协议判断在这类题上失败。
反证那条鱼
07:07，第 18 枪 res_a_003。
题目是跨文档的数值比较（一个 12% 的数据点 vs 一个 20-50% 的区间，铁证），但只有一个维度——不是 compound AND，不是多维度。
提交前先 round-trip——脚本告诉我严格 1 行差异，token summary 字节一致。上传。
83.4552。
83.4552 − 82.4617 = 0.9935。
完美的 +0.99，正常 1× 权重。
这一刻我确认了：
不是所有跨文档题都加权。只有"跨域 + compound AND + 多维度 reasoning"三条件齐备的题才上 4×。
判定路径写出来很简单：跨多文档/跨域? → 是 → compound AND? → 是 → 多维度? → 是 → weight ≈ 4×。任何一个条件缺失，都回到 1×。
fin_018 不是 grader bug，是真题型权重信号。
07:15，第 19 枪 res_a_018，同 evidence_class 类比 res_003，预期 +0.99——84.4487，准确度小数点后误差为零。
19 分钟，三条鱼，net +5.961。A 榜 oracle 可识别队列清空。
那道至今没拿满分的题
但今晚最让我犹豫的不是这三条鱼。是 fc_004——那堵 06-23 用 4 枪 0 分换来 topic_aligned 钢板的钉子户。
到今天它已经被提交过 5 次（A / AC / ACD / AD / C），全是 0 增量。第 18 次单选 C 的探针 06-24 凌晨刚做完，证明 gold ≠ {C} 单选。我们的最强协议推断（Gate1 字面支持 + Gate2 topic 对齐 双 PASS）指向 C，但 oracle 实证又把它否了。
剩下的 gold 只能在 {D 单独, CD} 两个里。
我盯着账本里那行字看了一会，问了一句：
"fc_004 虽然我们还没能完全找到最佳正确答案，但以目前来看，我觉得我们改为 C 是不是最符合逻辑（分数虽然没涨，但推理完全有逻辑支撑）？"
这是一个很诱人的问题——协议推断最强，证据闭合，把账本里 fc_004 的答案改成 C 不是顺理成章吗？
但仔细想，这里有一个我以前没明确意识到的层次：
| 层 | 含义 | fc_004 改 C 的影响 |
|---|---|---|
| best CSV | 提交给评分系统的答案 | EV = 0（A 和 C 实测都不涨分；A 在 gold 里被实证假，C 单选也已被证伪），但新增"看似合理却假设性"的成分 |
| 账本 reconstructed | 协议推断的推理留档 | 可以记 C 反映协议直觉，不影响 score |
| grader_verdict | oracle 真值 | 必须维持 null，oracle 已证伪 gold ≠ {C} 单选 |
最后决定走中间路：best CSV 维持 A（被实证错误的、对分数贡献 0 的 A），账本加 reconstructed_protocol_max = C + oracle_constrained_gold_set = [D, CD] 留协议直觉档。
不是因为协议不重要。是因为：
best CSV 是 oracle 实证圣域，不让 calibration 污染。协议直觉值得留档，但永远不能反过来声明真值。
这是 fc_004 这堵钢板今晚给我的第三次教训。前两次分别是"字面真不等于答对"和"双闸门 PASS 也不等于 oracle gold"，这次是"协议最强不等于 gold 真值，账本和提交 CSV 必须层次分明"。
为什么误差隔离不是洁癖
今晚 5 次 round-trip 警觉的本质，是误差隔离术：
每次只动一道题，让结果跟动作严格 1:1 对应。多动一道，因果链就断了——你拿到的不再是"这道题对不对"的信号，而是"这堆改动加起来净分如何"的噪声。
这在写论文里叫 ablation study，在工程里叫 minimal reproducible example，在 debug 里叫 git bisect。它们都是同一种纪律。
但我以前觉得这是"严谨派"才做的事。今晚 fin_018 的 +3.97 让我看清楚：
这不是严谨问题，是因果验证能不能成立的问题。
没有误差隔离，你的数据可能正确，但你永远不知道为什么。一旦你的归因模型错了，错误会一路潜伏到你以为它已经收敛的地方。
具体到这一晚——如果第 17 枪没 rebase，+3.97 会被算成 +0.99 + 隐藏的 +2.98 噪声，我会以为"等权假设"还成立，第 18 枪 res_003 的 +0.99 会被解读为"正常"，第 19 枪 res_018 我会按 +0.99 预期。表面上分数还是 84.45，但我会带着一个错误的题型权重模型走进 Phase 3，每一次 token 预算估算都偏 4 倍。
代价不是这一晚的 +3 分，是接下来所有基于这个模型的决策。
收官夜
天池榜上现在显示 84.4487，acc 96.14%。
A 榜 oracle 可识别队列清空了——11 条鱼全护，剩 4 道题的 acc gap 全在我们 blind 判断与 best 一致的桶里，没有 divergence 信号，不适合再开单点 oracle 探针。
但 acc 100% 也只能拿到 87.84——token 2.03M 锁死了 coef = 0.87841816。冲 90 的唯一路径不是再抓鱼，是把 token 砍到一半。
这正好回到赛题的原名——「金融长文本 Agent 的动态记忆压缩与高效问答」。token 效率从来不是评分的小数点，它是与准确率同等的乘数。
下一战场是 Phase 3 harness：让模型只看压缩后的证据态，acc 保持 95-96%，token 从 2.03M 砍到 ≤1.0M。这条路从 06-22 第一次提"动态记忆压缩"开始就在那等着，今晚 Oracle Hunt 收官，终于轮到它了。
桌上的咖啡早凉了。
那条 4× 的鱼游进账本的时候不是异常，是一个我之前没读懂的信号。它没破坏假设，它只是迫使假设从"每题等权"细化到"按复合度分级"。
凌晨四点，新假设也只是更精确版本的旧假设。它还会被下一条鱼推翻——也许在 B 榜，也许在决赛。
但只要 round-trip 警觉还在，下一次推翻的过程就还是干净的。