转换，不等效：通过观察等效性对代码库转换进行基准测试

编码智能体 越来越多地充当代码库规模的协作者，可以协助代码库转换，但这一进展暴露了一个关键弱点：代理经常过度信任自己的本地验证例程，并在满足表面检查的工件上声明成功，同时违反了用户真正关心的语义契约。这个问题在代码库转换中尤其严重，其中先前的评估很大程度上是结果驱动的，因此不稳定：两种实现可以在浅层结果上匹配，例如单个前向损失，而在梯度、优化器行为或短期训练动态方面存在分歧。我们引入了 T2J-Bench，这是一个代码库转换基准，它将转换重新表述为固定等价合约下的传输。然后，固定验证器通过三个有序阶段比较源代码库和转换后的代码库：Spec（接口可接受性）、Numeric（前向输出、损失、梯度和目标特定张量）和Behavioral（固定种子下的短期训练动态）。在 355 次盲转换尝试中，尽管 Spec 通过率高达 91.1%，但最好的系统总体通过率仅为 26.7--28.9%； 4.7 倍的词元预算利差仅产生 2.2 倍的通过率利差；相对于固定评估器，所有系统都会高估成功 66.6--97.8 分。这表明失败更多地源于合同不一致的自我验证，而不是有限的预算或骨干力量。