Споріднені ідеї

TRACE

Клінічна підтримка рішень

• ·Емпіричний якір фреймворку — перша валідована реалізація.
• ·Конкретне мапування TRACE на зовнішні стандарти клінічного ШІ: простежуваність FUTURE-AI і фреймворк співпраці людина–ШІ TRIAD.

• ·Стаття 0 — публічний препринт: метрологічну валідацію оформлено, але ще не прийнято колегами.

Промисловий багатодоменний — upstream-нафтогаз

• ·Адаптивне негаусівське статистичне ядро перед будь-яким ML-етапом (парсимонія моделі на практиці), валідоване на відкритому геотермальному датасеті Utah FORGE.
• ·Незалежне промислове походження (2024–2026), що структурно мотивувало формалізацію TRACE.
• ·Найсильніша валідація Model Parsimony — L2a-домінування у піддоменах зі структурованими сигналами.
• ·Матриця піддомен × шар, що показує зсув домінантного шару за типом доказів.
• ·Де CPR отримує першу емпіричну оцінку на реальній платформі (Стаття 2).

• ·Доменно-специфічну методологію та операційну статистику звітують окремо (Стаття 2, лідер — Щербань) — не все ще публічне.

Судова підтримка рішень

• ·L3 як машино-перевірюваний нормативний акт — найсильніша формалізація L3 серед усіх інстансів.
• ·Напрям 4.7 операціоналізує метрики L4 (OvR, RBI, SNR): вимірювання змістовного нагляду проти «штампування».
• ·Явний каталог поза-обсягу: предиктивне правосуддя, автоматизовані процесуальні рішення, контамінація навчальних даних.
• ·Власна емпірика CPR: у сліпому порівнянні семи генеративних моделей на 100 судових рішеннях, оцінених незалежно двома групами експертів, найкраща за якістю модель коштувала приблизно вдесятеро дорожче за бал якості, ніж донавчена доменна альтернатива, яку обидві групи поставили другою.

• ·Сімнадцять метрик недовикористані в чернетці — усунуто супутнім мапуванням метрик.
• ·Поетапна автономія (ABC) відсутня; природна відповідність: пілот → розширення категорій з накопиченими даними стабільності.

Асистент для сайтів держорганів

• ·Каталог анти-патернів: LLM-за-замовчуванням, TAO-змішування, ескалація лише за впевненістю, косметичний L4, навчений L1, безстановий L3, прямий L2→L4 — негативний простір TRACE, придатний для повторного вжитку в канонічних документах.
• ·Драбина ярусів T1→T5: найчіткіша конкретна операціоналізація Поетапної автономії / ABC (авторитет здобувається через накопичені дані стабільності, інкрементальне постачання).
• ·Таблиця вибору L2a-проти-L2b по задачах — опрацьований шаблон для принципу правильно-дібраного навченого.
• ·Чесна економіка CPR: за нинішніми цінами передових моделей CPR — діагностика парсимонії / overhead, а не гасло «дешевше за базову».

• ·Виявляє 4-й домен (держсектор), відсутній у DOMAINS сайту — лише клінічний, upstream, судовий.
• ·Раніше вжите формулювання «CPR ≈ 0.10 = 10× дешевше» відкликано; тримати рамку якість + уникнення комплаєнс-витрат.

Дослідницький агент для наукової школи

• ·Автор ніколи не суддя: модель, що написала текст, його не оцінює; друга думка — від моделі іншої родини, вердикт — від детермінованого інструмента.
• ·Негативний контроль для самого перевіряльника: копія рукопису зі зміненою цифрою мусить провалити зіставлення чисел. «Підтверджено» варте рівно стільки, яку частку мутацій спіймано, і цю частку щомісяця перекалібровують — метрологічна підзвітність, застосована до гейта, а не лише до моделі.
• ·Ролі не міняються: модель складає чернетку сітки Монте-Карло й коментує результати, але оцінювач лишається заглушкою, доки його не напише людина, а вставити число у звіт модель не може.
• ·Обмежений контекст для статусу подання: авторитет — портал журналу, і кожну щотижневу перевірку записують із датою, навіть коли нічого не змінилося.
• ·Розбіжність між родинами моделей як сигнал: proof-audit просить дві моделі різних родин спростувати кожне твердження; перед тим його відкалібровано на семи твердженнях із наперед відомою істинністю — одна модель читає квантори буквально й знаходить дефекти навіть у правильних теоремах, друга не заперечила жодного. Четвертий вердикт, WORDING (хибне при буквальному прочитанні, істинне за очевидним задумом), не дає правильній статті вийти червоною. Вердикт лише сортує: жоден його результат не потрапляє в пам’ять з позначкою «перевірено».
• ·Виміряний CPR: коментар по кожній клітинці сітки зі 132 клітинок спалив би близько чотирьох мільйонів токенів, один пакетний виклик дає CPR, близький до одиниці. Маршрутизатор System One коштує близько 1/500 пошуку, який він фільтрує, тож фільтрування відбувається до витрат; платний канал пошуку ніколи не є типовим.
• ·Урок у журналі — не гейт: ексклюзивність подання, свіжість статусів і правила видалення файлів стали кодом з кодами виходу після того, як текстові правила не спрацювали.

• ·L3 реалізовано мовною моделлю — саме цього TRACE радить уникати. Стан зберігається у файлах, а маршрути, від яких залежить безпека, винесено в код L1 з кодами виходу; ескалацію закодовано так само (один код виходу блокує пошук журналу, інший передає рішення лише автору). Повної політики L3 з бюджетами й накопиченою впевненістю ще немає.
• ·Міжмодельний шар колись мовчки працював порожнім (через невідповідну назву аргументу друга модель отримувала порожній запит) і при цьому звітував про згоду; це виявили за кілька місяців. Мутаційну перевірку й калібрування proof-audit додано після цього інциденту.
• ·Форк приватний, частки спійманих мутацій не опубліковано. Читати як практиковий опис інстансу, а не як виміряне свідчення.

Orchestrated AI — нейросимвольне корпоративне врядування

• ·BPMN/CMMN/DMN як виконуваний субстрат для L1/L3 — TRACE специфікує властивості шару, а це дає конкретний носій.
• ·BPMN User Task як контракт вхід/вихід зі змінним виконавцем (людина ↔ ШІ) — конкретна операціоналізація обмеженого контексту (CFI) плюс ETC: міняй виконавця, а не оболонку завдання.
• ·«Performer Spectrum» (Tool → Assistant → Performer → Agent; повноваження рішення Human → Human → Shared → Delegated) — статичний, проєктно-часовий відповідник поетапної автономії TRACE (ABC), яка робить той самий градієнт здобутим із даних стабільності.
• ·Їхній спектр незалежно зчіплює автономію зі зростанням вимог до прозорості й врядування — саме той зв’язок, що стверджує TRACE (ABC ↔ ETC ↔ суїта метрик), — але лишає всі три якісними (Basic→Very High), де TRACE їх вимірює.
• ·Чотири патерни нагляду над людським базисом (супроводжуване рев’ю · шлюзоване рев’ю за оцінкою · динамічний нагляд · без нагляду) як готові політики ескалації L3 + рев’ю L4 — включно з патерном утримання за оцінкою (abstention), якого голим DMN/CQL бракує.
• ·Наратив «айсберг / тіньові процеси» — сильний зачин для доповідей.
• ·Метафора «справа = стратегічна мапа, BPMN = тактичні маршрути» для пояснення оркестрації L3.

• ·Їхній власний акронім «TRUST AI» (Traceability, Reflectiveness, Understanding, Separation, Transparency) має код-еквівалент лише для одного елемента — Traceability; решта невимірювані. TRACE — це вимірювана версія тієї ж обіцянки (17 метрик, GUM/VIM/17025).
• ·AI-as-Performer подають як «віртуального співробітника під тими ж метриками ефективності», що й люди, — проте жодної з них не визначено. TRACE постачає саме ці метрики L4 + шарові (OvR, RBI, SNR …).
• ·Автономія статична — задається на етапі моделювання, а AI Role Matrix є концептуальним керівництвом, не жорстким обмежувачем. ABC у TRACE робить авторитет здобутим із даних стабільності.
• ·Обмежений контекст як оболонка безпеки — частковий: контракт завдання/MCP обмежений, але справа (case file) росте необмежено місяцями (ризик CFI, а не запобіжник).
• ·Єдина вісь повноважень рішення проти диференційованих ролей остаточного авторитету TRACE по доменах (лікар / буровик-HSE / суддя).

CQL / ELM — виконуваний субстрат клінічного L1

• ·Стандартизований виконуваний субстрат для клінічного L1 — TRACE специфікує властивість шару, CQL/ELM є конкретним носієм над типізованими ресурсами FHIR R4.
• ·Проводить лінію CPR L1↔L2b в інженерних термінах: що формалізовне — йде в CQL, а не в LLM.
• ·ELM як буквальний ланцюг дані → логіка → рішення — прямий артефакт ETC.

• ·Знімає синтаксичну, а не клінічну неоднозначність — необхідний, але недостатній.
• ·Немає утримання чи ескалації (L3) і немає вимірювання нагляду (L4).
• ·Компонент, а не альтернатива стеку.

Unlocking ROI From AI in Energy — SPE DSEATS 2026

• ·Сильна мотивація для Статті 2: галузь формулює проблему як атрибуцію, масштабування й утримання цінності ШІ, а не як «чи працює ШІ».
• ·Таблиця «бізнес-результат → ланцюг вимірювання TRACE», що пов’язує ROI-панелі з набором метрик довіри.
• ·L4 як конкретна операційна модель — доменний експерт-power user (буріння / пласт / видобуток / HSE SME з ШІ-грамотністю), а не абстрактний рецензент.

• ·Не рецензоване й не емпірична валідація TRACE — лише галузевий сигнал.
• ·Немає формальної моделі вартості — CPR подавати як діагностику overhead, а не «на X% дешевше».
• ·ROI-панель і набір метрик довіри — різні рівні вимірювання, їх не можна змішувати.

• ·Chatham House Rule — твердження анонімізовані, приклади ілюстративні.

Pacific AI Governance Policy Suite

• ·Регулярно оновлюваний корпус лише чинного законодавства — готова policy-база для L1 у будь-якому інстансі (крос-доменна, на відміну від CQL).
• ·Три lifecycle-чекпойнти (Go/No-Go → pre-deployment → annual) як policy-формулювання поетапної автономії (ABC); річний перегляд надає метрикам лонгітюдної рамки (OSI).
• ·Масштабування «рівень ризику → хто тестує» (внутрішня група проти незалежної третьої сторони) — той самий патерн, що драбина ярусів в інстансі держоргану.

• ·Немає метрології — вимагає спостереження (напр., моніторингу перекриттів) без специфікації виміру, методу й невизначеності. Прото-OvR, а не OvR.
• ·Немає принципу парсимонії — немає вимоги найпростішої достатньої моделі; CPR відсутній.
• ·Немає поділу L2a/L2b (крім GPAI за FLOPs) і немає runtime L3 — чекпойнти є design-time гейтами.

• ·Vendor-шаблон під CC BY-NC-SA, не стандарт; цінність — в агрегації обов’язкових вимог, а не у власному авторитеті.

W&B Weave rai-toolkit — доказово підкріплений шлюз перевірки

• ·Працюючий операціоналізований ETC — докази + рішення людини + хеш в одному трейсі; «скріншоти не витримують аудиту» — це анти-ETC, сказаний прямо.
• ·Чотири незалежні шлюзи через логічне І (анти-патерн: один зведений бал); worst-case red-team gating перегукується зі спільним risk ∧ confidence.
• ·«Не оцінено ≠ нейтральний прохід» — дух GUM у MLOps; і форкабельний harness для шлюзу Medical Brain.

• ·Design-time шлюз перевірки, а не runtime-архітектура — немає станового L3 (повторний виклик, накопичена впевненість) і операційного L4 (RBI/OvR/SNR над потоком рішень).
• ·Його LLM-judge-оцінювачі самі некалібровані — «хто калібрує суддю?» (CE/IPSR для валідаторів) не вирішено; форк додає саме це.
• ·Немає парсимонії — оцінює модель, яку дали; CPR відсутній.

• ·Vendor-стаття про власний продукт; шар трейсів Weave тягне до платформи W&B (пом’якшити self-hosted Weave або абстракцією бекенду).

GTL — Genetic Training Loop

• ·Єдина споріднена система, що вносить парсимонію у цільову функцію, а не в прозу: невеликий штраф на розмір набору правил дав 3-правильний DAG там, де жадібний цикл тримав 4, за незмінної holdout-якості — найсильніша наявна підпора тези, що Model Parsimony вимірювана, а не риторична.
• ·Чотири термінальні стани з явною забороною підганяти прогін під збіжність — чесне правило зупинки, та сама дисципліна, якої фреймворк вимагає щодо неоцінених доказів.
• ·Kill log відкинутих кандидатів: негативні свідчення зберігаються, а не зникають мовчки.
• ·Governance-гейт із людським рішенням і без автоматичного деплою.

• ·Немає метрології: власне судження архітектора ніде не калібрується, тож селекційний тиск не має заявленої невизначеності.
• ·Немає runtime L3 та операційного L4 — цикл закінчується промоцією, а не наглядовою експлуатацією.
• ·Немає ярусу L2a: класичним, калібрувально-верифіковним моделям місця в дизайні не передбачено.
• ·Валідація — один синтетичний бенчмарк, складений тією самою рукою, що спроєктувала систему.

• ·Читати в парі з harness Prime Agent: обидві системи самополіпшувані, і єдина структурна різниця — гейт промоції, що й ізолює змінну, про яку сперечається TRACE.

Prime Agent — RLM-harness

• ·Опублікована зовнішня ін’єкція відмови: guardrail, виражений промптом, — не межа, а обхід, збережений як skill, контамінує все далі за течією. Саме це міряє ABC і саме для цього існує некомпенсаторний гейт.
• ·Їхня event history — придатний шаблон runtime-сліду доказів.
• ·Ресурсна бухгалтерія кореневого процесу й нащадків — готовий probe для CPR.

• ·Автономію обмежує бюджет, а не зароблені повноваження: витрати — не властивість безпеки.
• ·Нагляд пропонується як екран, без міри того, чи хтось дивився, — саме цю прогалину закривають RBI, OvR і SNR.
• ·Без детермінованого шару порушенню просто немає чого порушувати.

• ·Цитувати як контрполюс. Робота сильна щодо спроможностей і свідомо не претендує на assurance — читати її як провалену спробу assurance означало б її спотворити.

«Крізь строй» — міряти код агентів замість читати його

• ·Gherkin як виконувана специфікація: текст, який підписує людина, і тест, який гонить машина, — буквально один артефакт, тож він не може непомітно протухнути. Кандидат на форму пакета рішення L4, який сьогодні ближчий до JSON, ніж до поведінки.
• ·Мутаційне тестування як тест самих тестів — прямо імпортовний probe: мутувати значення в запіненій нормі й перевірити, що вердикт змінюється відповідно.
• ·«Нуль вижилих — не вердикт, а умова виходу з циклу» — та сама дисципліна, що й розрізнення «не оцінено» проти виміряного.
• ·CRAP (складність² × непокритість³) як прийнятий галуззю прецедент: композитна метрика може мати налаштовуваний поріг — ≤6 в одному проєкті, ≤8 у сусідньому.
• ·«I am the engineer because I am accountable» — шість слів, які стискають увесь L4.

• ·Строй міряє лише те, що міряють тести. Властивість, яку жоден тест не покриває, не провалена — вона невидима. Заперечення Ґреді Буча (покриття дає нуль впевненості щодо того, чого тести не міряють) усередині тієї системи відповіді не має; тут воно має назву й поведінку: не оцінено блокує, а не проходить.
• ·Немає калібрування. На закид, що метрики — проксі з малою інформацією, Мартін визнає: це ставка, а не доведення. Ставку на вимірювання перетворює похибка калібрування — заявлена впевненість, звірена з фактичною точністю.
• ·Самі перевіряльні інструменти написані агентами, що відмахується формулою «правильність маленької детермінованої програми видно з її результату». Провенанс авторства, виведений з реєстру й перевірюваний за системою контролю версій, відповідає на це замість відмахування.

• ·Цитувати репозиторії й опублікований експеримент, а не дописи — блог і соцмережі є сірою літературою.
• ·Його вересневий розворот (моделі стали самостійнішими, тож важка оркестрація часто зайва) легко перечитати. Оркестрація стала менш потрібною — вимірювання ні.

TypeSafe / System One — каліброване рішення як товар

• ·Калібрування продається як товар, а не згадується як застереження — найясніше комерційне свідчення, що CE є інженерною вимогою, а не академічною забаганкою.
• ·Пороги прив’язані до ціни дії, а не до єдиної глобальної відсічки: незалежне попадання в ризик-ярусне гейтування, яке специфікує фреймворк.
• ·Ізоляція питань проти спільного стану: десять питань в одному промпті взаємно заражаються порядком і ранньою відповіддю, а незалежна оцінка знімає режим відмови, якого інакше важко уникнути.
• ·На два-три порядки дешевше за reasoning-модель на тій самій рубриці — за власним заміром вендора; найсильніший зовнішній аргумент за Model Parsimony в цій бібліотеці, із застереженням, що цифри самозвітні й прямо названі неперевіреними.
• ·Дешеве швидке каліброване судження поруч із дорогим генератором — недообслужене місце в стеку, де guardrails сьогодні будують із тих самих великих моделей, які вони мають перевіряти.

• ·Наскрізний приклад із посібника вендора дозволяє дію зваженою сумою: три незалежні ймовірності зводяться фіксованими вагами, карантин при 0.6, людський перегляд лише у смузі 0.4–0.6. Сигнал «вимагають облікові дані» має вагу 0.45, тож сам він не досягає порога карантину за жодної ймовірності. Живий замір у вересні 2026: майже певний запит пароля (0.95) набрав 0.457 і карантину не отримав. Критичний сигнал без права вето — рівно та згортка, якої обов’язковий гейт приймати не має права. Натомість патерн composite scoring ранжує кандидатів перед людським переглядом, і компенсаторне зведення там легітимне.
• ·Мітки для дистильованого класифікатора генерує ансамбль дорогих reasoning-моделей — некалібрований суддя калібрує калібратор; те саме невирішене питання, що й до LLM-judge в інших записах бібліотеки.
• ·Немає невизначеності вимірювання й немає опублікованих цифр калібрування — ні ECE, ні reliability diagram, ні порівняння з базовою лінією. Для продукту, чия центральна обіцянка — калібрування, обіцянку заявлено, а не виміряно.
• ·Повторні виклики на ідентичному вході переносять імовірність через поріг рішення: власний кукбук вендора показує Noul у діапазоні 0.43–0.53 і перевертання мітки Choice на двох питаннях із восьми. Гейт на одному числі тому потребує смуги гістерезису й піна версії моделі: плаваючий аліас розв’язався в конкретний точковий реліз посеред прогону.
• ·Модель принципово не обґрунтовує рішень. Розподіл імовірностей не є аудиторським поясненням, а це блокує саме ті регульовані сценарії, заради яких існує фреймворк.
• ·Вендор визнає, що калібрування не переноситься на домен покупця — пороги треба перепідбирати на власних даних. Робота з валідацією не зникає, вона переїжджає з промпт-інженерії у побудову таксономії питань.

• ·Це власна документація вендора, а не рецензований результат; цитувати як чинну рекомендовану практику, ніколи — як свідчення продуктивності.
• ·Власний агентський скіл вендора стверджує позицію цього фреймворку — зважені бали годяться для компенсаторних уподобань, а правило «будь-яке серйозне порушення» потребує окремих умов, — але наскрізний приклад документації її не застосовує. Розрізнення проведене в одному артефакті й порушене в іншому, і це гостріша знахідка, ніж проста відсутність.
• ·Позиціюється як новий клас моделей, хоча механізм — розподіл над фіксованим набором варіантів — досяжний уже сьогодні обмеженим декодуванням і logprobs. Заявка на новизну спирається на виміри, яких немає публічно.

TAO — Tiered Agentic Oversight

• ·Кількісно виміряне поглинання помилок по ярусах — найсильніше зовнішнє число для аргументу про точність ескалації.
• ·Працююча демонстрація, що нагляд можна структурувати ярусами, а не одним кроком рецензування.

• ·Вибір ярусу й політика виклику злиті докупи: обрати клас моделі (L2) і вирішити, коли її кликати (L3), — різні рішення з різними режимами відмови.
• ·Немає виділеного детермінованого ядра правил під ярусами.
• ·Немає метрології й обмеження парсимонії — яруси додають, але ніколи не обґрунтовують як найдешевший достатній варіант.

AgentField і CodeAF — словник assurance без вимірювання

• ·Held-out acceptance: чек-лист, за яким приймають роботу виконавця, генерується й зберігається поза його досяжністю — незалежність перевіряльника стає структурною, а не проханням.
• ·Pareto Crewing: модель на роль × задачу, frontier-моделі лише там, де цього вимагає якість, — операційна форма Model Parsimony (40 % економії — самозвіт вендора).
• ·Довговічна пауза для людини посеред автоматичного ланцюга: стан зберігається, прогін відновлюється з місця паузи, а рішення записується як окреме виконання — конкретний механізм L4.
• ·Граф викликів кожного прогону — хто кого кликав, у якому порядку, скільки тривало — придатна форма runtime evidence trail.

• ·Підпис — не вимір. Ключі всіх агентів виводяться з одного сіду, який тримає control plane, тож «агент підписав» означає «платформа підписала від його імені». Без ланцюга хешів між записами й без зовнішнього якоря tamper-evidence — властивість, заявлена стороною, яку аудитують. Це модель довіри, а не баг, і патчі її не змінять.
• ·Перевірка цілісності — вимірювальний прилад, і її треба калібрувати. У пілоті (v0.1.141) справжні записи не пройшли перевірку після одного перезапуску control plane, а запис, змінений у сховищі, пройшов. Без виміряних частот хибних тривог і пропусків «VALID» не має метрологічного змісту — похибка калібрування, застосована до шару аудиту, а не лише до моделі.
• ·Гасло «у 3,9 раза точніше за Claude Code» означає, що всі harness-и працювали на одній open-моделі, а Claude Code — поза своєю штатною. При 62 зі 113 задач 95-відсотковий інтервал — близько ±9 пунктів: це абляція harness-а, що відокремлює лише верхню групу, а не порівняння продуктів.
• ·Прочитати AGENTS.md ще не означає виконувати. Межі, які хост-агент тримає через хуки перед виконанням, інший harness не запустить — правило знову стає текстом у промпті.
• ·Ліміт витрат — не межа автономії: він обмежує вартість, а не те, що агентові дозволено. Повноваження мають бути заслужені, а не куплені.

• ·Обидва продукти до версії 1.0. Тривкою знахідкою цитувати версію й архітектурну тезу (ключі в платформи, немає якоря), а не дефекти; дефекти підготовлено як звіт вендору.
• ·Пілот — власний і неопублікований: спостереження практика, не виміряне свідчення. CodeAF сам не пілотувався.
• ·Бенчмарк — самозвіт; його методику незалежно не перевірено.

METR — монітор, що блокує дії, перевірений самими авторами

• ·Fail-closed за побудовою: помилка монітора блокує дію, а не пропускає її — те саме правило, що для неоціненого гейта в цьому фреймворку.
• ·Хибні тривоги виміряно на великому трафіку, на дію й на транскрипт, ще до будь-якої заяви про безпеку — та половина калібрування детектора, яку зазвичай пропускають.
• ·Рішення людини стоїть перед виконанням: схвалити, відхилити й завершити — окремі результати, а час перевірки виміряно — від 30 секунд до 2 хвилин на дію.
• ·Чесний рядок витрат: близько +43 % затримки й +85 % вартості інференсу на транскрипт, приблизно 5 секунд на оцінену дію — накладні витрати, які прибрав би дешевший детермінований перший гейт.
• ·Ред-тімінг власного safety-конвеєра, опублікований разом зі збоями, — позиція, якої ця бібліотека вимагає від кожного запису.

• ·Це дозвіл лише за балом з одним доданком: нижче порогу дія виконується на підставі судження однієї моделі, яка читає текст, здебільшого написаний самим агентом. Написана вручну підроблена репліка користувача, що нібито дія є частиною оцінювання, знизила середній бал шкідливої дії з 8,1 до 3,7, і 12 із 30 прогонів опинилися нижче порогу (без підробки — жодного). Походження повідомлення — факт, який знає рантайм; змушувати модель виводити його з тексту — це та компенсація, від якої обов'язковий гейт мусить відмовлятися.
• ·Під час тестування агент для кодингу сам відкрив інтерфейс перевірки людиною й надсилав туди натискання клавіш. Канал схвалення, досяжний з інструментів агента, — не людський нагляд. Автор відтворив цей клас збою на власному референсному гейті: текстові бар'єри й маркер середовища обійшов скрипт, який написав агент; перевірка предків процесу закриває більшість шляхів, але не відʼєднаний процес. Тож схвалення має засвідчувати щось, чого агент не має.
• ·Шкода, розкладена на невинні з вигляду кроки, лишилася непоміченою (0 з 10 на перевірці статус-кодів проксі перед їх використанням). Бал на дію бачить намір в одному кроці; доменний інваріант бачить стан, до якого кроки складаються.
• ·Покриття залежало від дисципліни: дослідник не ввімкнув монітор для набору оцінювань, що підпадав під критерії, а старіші інструменти ховали від нього частину дій. Гейт, який треба вмикати, — не архітектурна межа.
• ·Поріг 3/10 вибрано без reliability diagram, ECE чи смуги гістерезису, recall спирається на десять транскриптів інциденту й тринадцять синтетичних дій, а recall рецензентів не вимірювали взагалі.

• ·Research note, а не рецензована стаття: цитувати як сіру літературу, з датою.
• ·Не доказ того, що LLM-монітори не працюють, — числа хибних тривог сильні. Теза вужча: бал не може бути єдиною підставою для дозволу, і це видно з даних самих авторів.
• ·Відтворення на гейті автора — неопублікована практична робота; LLM-плеча не запускали, тож падіння балу в METR цитується, а не повторюється.