死文本还是有效条款？黑盒大语言模型对话中约束影响的测量与修复

摘要

多轮对话让用户撤销约束与施加约束同样容易，但撤销并不可靠地生效：模型会继续执行已被撤回的要求（有时还藏在声称已删除该要求的注释之下），这种失败我们称为行为复发（behavioral relapse）或撤销惰性。目前没有任何工具能按条款测量这种影响、在交付前预测它，或在同等预算下修复它。\sysname{}仅凭模型API弥合这三个缺口：合同账本将每条约束与可执行检查器配对、把撤销记录为墓碑（tombstone），并提前把净约束状态编译为单一规范；顺序消融探针测量每条款的遵循度与增量行为效应；修复阶梯在token与尝试次数对齐的预算下运行。在\dataname{}（\NTasks{}个HumanEval任务、\NClauses{}个经验证的检查器）上，随着约束负载增长，8B规模工作点的复发率从\ScaleDelayedMTwo{}攀升至\ScaleDelayedMEight{}，而更强的模型处于底线水平。在检查器、模型与预算对齐的条件下，提前编译相对无账本的验证器重试基线显著降低复发（\RestoreDiff{}，95%置信区间\RestoreDiffCI{}，p值\RestoreDiffP{}）；在其上叠加自适应阶梯干预未检测到额外增益（95%置信区间排除大于等于\LadderExcludedGain{}的增益）。探针可在交付前预测复发（AUROC \AurocPrimary{}）；一句墓碑注释可恢复约三分之一的编译效果，并通过安慰剂对照检验。在每条结果\CostDeliveryFactor{}的交付开销与\CostTotalHedged{}的API计算量下，撤销失效成为对话状态中可测量、可预测、可修复的属性，而非不可见的属性。