省略的模式是罕见的规则：连续代码世界模型中的采样验证危险定律

在代码世界模型范式中，LLM 合成了经典规划器搜索的可执行世界模型，并且当该模型再现采样的转换时，该模型被接受。我们询问这种接受在持续控制中证明了什么。我们将管道的危险定义为预期风险，并隔离其确切因素：N i.i.d. 的概率。门控采样轨迹都错过了概率 r 恰好为 (1-r)^N 的关键事件；独立验收样本将其预算添加到指数中。在三种混合工具上，利用了公认的模式盲模型：规划器被固定在模式边界上，遗憾的是几乎所有可达到的回报。我们证明了一个本地化预算，在边界点有效：Lipschitz 常数最多为 L 的模型，在某个点上与 eta 的差异不大于公差 eps，体积区域至少为 kappa((eta-eps)/L)^(d+m)；研究的不连续重置模式不支付这样的预算。通过真正的 LLM 综合，GPT-5.x 在 111 个包含模式的绘图中的 105 个中修复了遗漏的一维钳位 - 每次尝试都在 56 个仪器流块中的 50 个上精确（95% CI [0.781, 0.960]）。在 2D 区域上，没有工件恢复规则 (0/156)；八个有针对性的干预措施将故障留在原地，而积极的控制则对其进行定位：不诱导定位规则，而给定的形式和位置则常数完全遵循。版本空间证书证明识别是与类相关的：在最宽剂量下，声明的拟合在 20/20 块中成功，并且每个样本一致的圆都在 18/20 的公差范围内。我们证明了一类输入规则与每个样本完全一致，但在发挥作用时无害，因此可识别性是仪器的可测量属性。对独立样本上的所有 1034 个工件重新评分，确认验收证明了样本一致性，仅此而已：门可证明信息丰富，它覆盖了所利用规划器查询的大约 2%。