LLM Agent 轨迹早期结果预测的测试驱动可靠性审计：目标特定校准迁移误差在单一基准内持续存在

基于轨迹预测早期结果可以降低 Agent 评测开销：一旦结果变得足够可预测就终止运行——前提是预测器的置信度经过良好校准。当预测器被应用于一个从未在其上训练的 Agent 时，校准面临风险，但尚不清楚此类迁移失败是广泛存在于各 Agent 系统之间，还是集中在特定的目标 Agent/预测头组合上。使用公开的 SWE-bench Verified 轨迹和一个冻结的双头早期结果预测流水线，我们运行了留一 Agent 校准审计、共享预测器留二 Agent 对照、先知先验校正，以及覆盖训练队列、任务重采样、任务对半、折刀法与阈值的鲁棒性测试。固定脚手架的 TerminalBench 分析作为预注册的边界测试。广泛的同预测器成对异质性未获支持：成对校正差距的中位数分别为 0.0180（SUCCESS 头，45 对）与 0.0385（FAILURE 头，35 对），预注册的异质性判据在两个头上都未达到。两个特定组合——gpt-5-mini/SUCCESS 与 claude-opus-4.6/FAILURE——表现出持续的校准迁移误差（中位校正差距 0.1377 与 0.1107），且在任何冻结对照下都没有符号反转。TerminalBench 未确立跨基准复现：成功目标产生零决策（不确定），失败目标不满足预注册的持续性判据。因此，强目标特定的校准迁移误差可以存在于单一冻结环境内，但证据并不支持该误差是模型内在的或跨基准普遍的。