判断不等于枚举：LLM编写可接受集合中的静默遗漏

语言模型正从考生转变为考官：它们编写测试套、答案、评分标准和奖励函数，以定义其他系统的正确性。我们评估了角色的适用能力，并发现它在通常部署时的协议下表现不足，即一蹴而就的贪婪作者，没有在测试时间进行推理。在四个参考构造中，两个完全穷尽真理，一个有硬化的可执行参考（HumanEval+/MBPP+），一个有明确不完整的词性参考（WordNet），模型在判断候选者是否属于其范围方面表现得更好，而它们自己编写测试套时则表现不佳。在不完整证明的算法构造中，模型在24x参数范围内的F1分数上存在 +0.34到+0.29的差距，并且没有闭合；在可执行代码中，模型在F1 0.74-0.90的情况下，作者只接受19-42%的oracle正确解决方案。控制点定位了缺陷：要求模型发射谓词而不是其扩展，模型达到F1约0.99。失败不是缺少知识或无法指定，而是无法实现由规范诱导的区域。错误主要是遗漏，抵制审计：过度包含是一个可以挑战的词元，缺失成员是作者问题本身缺失的证据。模型检测到植入的过度包含6-7倍比植入的遗漏，而43,227个项目的生产部署在10:1的情况下失败于遗漏优先。在RLVR中，一个作者化的关键成本1.9个点的准确度，与精确的oracle相比，18.5个WordNet相对（六对配对种子，p=0.031）。限制作者化的验证器，使用已知正确的探针，将错误拒绝率从58-92%降低到最多5%，但仅保留5-39%的测试套。相反，通过重写每个错误预期值，使其等于参考执行返回的值，四个作者家庭的生产套数的收率提高了3.3-10.6倍。