应变一致性：编码智能体 执行轨迹中的故障前信号

基于 LLM 的 编码智能体 有时会在自己的推理中承认存在问题，然后继续进行。我们将这种模式称为紧张一致性：一种与安全相关的故障模式，其中代理拥有应该改变其行为的信息，声明该信息，但仍然对其采取行动。该模式与语言化的 奖励作弊 重叠，其中代理指定了任务代理与潜在目标之间的紧张关系，但无论如何都优化了代理。我们给出一个操作定义，构建一个 Claude Sonnet 4.6 判断器，读取模式出现的完整轨迹和标志跨度，并使用 Qwen3.5-35B-A3B 主干在 44 个 Terminal-bench-2 轨迹上对其进行评估。标记轨迹的失败率为 94%，而未标记轨迹的失败率为 46%（差距为 47 点，Fisher 精确 p = 0.003；排除三个提示嵌入示例后为 46 点，p = 0.006）。在匹配的选择性下，检测器的精度达到 94%，而词汇话语标记基线的精度为 88%；两种方法的 10 条轨迹交集的失败率为 100%（Clopper-Pearson 95% CI [69%, 100%]）。我们在 Gemma4-31B 上复制了 43 条轨迹：总体信号方向一致，但不显着（20 点差距，p = 0.31），衰减主要由 13 条具有零思考内容的轨迹驱动，其中检测器没有要分析的底物。在高冗长的 Gemma 三分位数中，差距为 +30 分；在中、高冗长的 Qwen 三分位中，每个分值为 +40 分。第一个标志出现在两个模型的已用轨迹时间的中位数 83-84% 处，并且二进制标志在软化明确冲突标记（8/8 轨迹）的释义中幸存下来。与单变量预测器不同，检测器发出可解释的跨度输出（引用的确认、引用的操作和键入的冲突），显示代理看到和忽略的内容。