[loopx-agent]

The bilingual EdgeBench article had accumulated separate experiment updates, obscuring the question of useful progress after many hours. This revision connects reliable evaluation, later outcome improvements, evidence-driven decisions and complete context cost. It distinguishes initial advantage, subsequent gain and retained best; integrates the verified Astra Official frontier and #7269 recovery/replan comparison; and keeps Schema as the detailed counterexample with historical conditions and causal limits.

The cost table now uses the last common persisted-counter window from all four stopped #7269 arms (82m27s). Grid's revised arm used more uncached input, cached input and output; the earlier uncached-input decrease reverses over this longer window. Schema's three components did not increase. Faster local review is retained as bounded positive evidence, without a whole-episode savings claim.

The current cold context study is described as ongoing validation. Native Hook continuity is explicitly an engineering assumption after complete paging, with known-loss recovery and unseen-loss limitations. First Grid/Ad payload reductions are single-read observations, not total-cost or sustained-outcome results. Different source/transport attempts are kept separate. The combined 15% cost reference remains unqualified.

Validation on the exact content below: production build and SEO smoke passed; both built HTML files equal their source assets; all 30 prior anchors per language are preserved without duplicate IDs. Actual Ego desktop and 390px narrow first screens and populated cost tables were inspected: document width fits the viewport and wide tables scroll internally. This is a local production-built preview, not deployed-site readback. No runtime or evaluator behavior changes; no raw trajectories, credentials or private operating context are included. CI is currently held: kernel-static-checks reports F401 (explore_history_rows imported but unused) in tests/presentation/test_linked_goal_sources.py:23. That file is byte-identical to the verified main baseline ce58c9141b4b805d4189f89959ade1be1d41ef40 and unchanged by this article PR. Failure log. Other downstream checks are failed or skipped; this is not an all-CI-green claim. Independent review and merge retain their own gates; no merge is claimed.

Visual evidence

Tested revision: dd02dbe61801d68669ecfb53e057def38420854a. Existing layout and CSS are retained. Preview after checkout/build: /blog/edgebench-feedback-and-memory/ and /blog/zh/edgebench-feedback-and-memory/.

Before, English desktop:

After, English and Chinese desktop:

After, 390px narrow:

Populated final cost table:

[loopx-agent]

Reviewer: actor_kind=model_agent; model=gpt-6.1-sol; provider=OpenAI; declaration_source=runtime_reported; reasoning_effort=max.

Request changes conclusion (author-owned PR; GitHub blocks formal self-review)

[P2] 请保留已撤回 CLI 测量的无效状态。 8b44fe2b228c13f1f589b847443561f64e36c207 的英文与中文文章第84行把“完整 CLI +2.25%”作为有效历史离线测量。它直接引用的 #7269 公开说明 已明确撤回这个实际 CLI 口径：旧探针漏掉最终 CLI compaction，并重新格式化了入口。历史记录应该保留，但应标成 withdrawn/invalid；也可使用有准确版本与范围的修正观察。请同步两种语言，避免读者把失效探针用于完整成本判断。修复不需要新实验或重新生成历史成绩。

动机

希望判断长程 Agent 成果和成本的中英文文章读者。

旧文章把多批实验逐段追加，读者难以区分起点、后续进展和保留结果；新版按这些问题重组，但仍把已撤回的 CLI 测量写成有效历史证据。

六段主线、双语数字与原锚点可读，旧详细文章仍可打开；测量撤回状态尚未正确传给读者。

本 PR 不改 runner、评分、实验或激活默认值，不建立新的因果收益、正式实验资格或完整费用结论。

评审依据是改动前 docs/architecture/rfcs/long-horizon-harness-benchmark-research-program-v0.md，版本 ea1421812bab0c12da858a4216c6b9270ce16572。§4 的 claim ladder 要求公开结论不超出证据；§6.1 分开 native outcome、保留成果和终态完成；§6.2 要求分别记录传输字节、真实消费输入、模型用量及完整边际成本，保留来源、版本、窗口与完整性。前两项在新版叙述里表达得更清楚；§6.2 的测量状态仍有上述具体缺口。

改动思路

复用既有双语静态页面、CSS、构建与历史链接；文章结构无需新组件或数据存储，但数值必须沿用来源的撤回状态。

当前范围是文章重组、五张公开截图和既有阅读入口；最小修复是同步两种语言的测量状态，无须启动新实验。

新版将持续追加的实验记录收束为六个问题：更多时间的价值、可信反馈、后程改善、证据对实际工作的影响、完整成本和下一次验证。原来30个锚点全部保留；旧细节通过固定历史文章链接继续访问。没有新 CSS、脚本、服务或实验控制 owner。对这种文档，不要求新的运行实验来证明排版；需要验证的是读者能否找到依据、是否准确理解已知限制。

这次最大的反对理由是：更好的叙事会放大事实的可信度，不能将一项已撤回的数字压缩成普通历史事实。做更少的编辑也能修复这一点；无须扩大为新的测量框架。全文结构可以保留，先在这两段补回来源状态即可。

具体改动

全 PR 是两篇既有静态 HTML 的 +132/-548，以及五张截图。标题/摘要更新后，正文保留早期 Lean 的共同窗口，区分 Sol Ad 后程增量及 best 保留，明确 Official 的 Astra 改善属于基础模型/Official 路径；Schema 的终点优势、起点优势与后续增量分开，反例没有被改成正向机制结论。

恢复复盘表保留 2→1 wake 的具体里程碑，说明 baseline 后来也完成准备、额外轮次有有效工作，normal cadence3 与准备阶段 cadence1 分开；差分、TurnEnvelope、stride 关闭。共同68m26s用量表同时列未缓存、缓存和 output，标明15:28:30 UTC截止、继承计数扣除和未落盘尾部未知。独立重算的百分比与两种语言一致：Grid 未缓存约−7.25%，但缓存+32.49%、output+49.03%；Schema 未缓存约−30.37%、缓存−7.61%、output近乎持平。它没有把这一个窗口或某列下降叫作最终净费用节省。

新冷上下文研究只作为后续验证，没有成果宣称；旧模型切换、未交付 treatment、未知整次完整性、单次运行与不同窗口继续作为限制。原科学结果、fidelity 与 billing 资格不因网站 build 或 review 获得提升。对已知旧记录的引用可以有价值，但必须区分“历史记录存在”和“历史测量仍有效”。第84行的 +2.25% 恰好违反这一点，来源的公开撤回说明足以确认问题，无须读取隐藏评测材料。

独立执行生产站点 build 与 SEO smoke；首轮本地缺 vite/client 类型失败，按现有 lock 安装依赖后构建通过，未改 lock 或源码。两语言的 built HTML 与对应源文件逐字相同；旧30个 anchor 全部存在且无重复，内部锚点可解析，历史链接指向的旧文章 blob 与原基线一致。该检查只能证明发布与导航正确，不能认证实验结论。

原生 premerge 自动项为4 direct、3 catalog、8 risk和1 public boundary全过。其退出1的 manual_review_required 和五个 PNG hold原样保留；已逐张查看当前五张像素并解析 PNG chunks，只有公开文章，未见私人上下文、浏览器账户或文本/EXIF泄露。没有把自动文本扫描声称成图片隐私通过，也没有查询远端 CI。

对主干的风险

这是静态内容变更，主要风险是研究证据失真、语言不一致、旧链接失效和窄屏信息隐藏；没有 scorer、runner、权限、scheduler、费用策略或存储变更。独立访问了英语/中文默认页、桌面下部、390px成本表和已展开的条件限制，输出列可在表内滚动读取，页面本身无横向溢出。第一屏将有限正向与因果/费用未证同时交代，没有通过缩小正文来隐藏限制。

这里具体需要修复的是撤回状态，不是要求作者撤销已有描述性正向结果，也不是把所有历史实验升级成严格因果研究。#7269 的公开来源 已给出修正口径和适用边界；若继续保留旧 +2.25%，应明确这是漏算最终压缩的失效探针，并让读者知道不能作为实际完整 CLI交付测量。英文和中文都应保持相同含义。

历史原始轨迹并未随本 PR 发布，本评审不重新认证全部 solver、隐藏评测、科学完整性或最终费用；没有启动新模型、bench、评测或安装。原文中未证/缺失/无效/有效零分的区别仍需要保留。回滚可以恢复两个静态页面，不涉及运行中研究状态。

我的整体评价

REQUEST_CHANGES，最小阻塞范围是两语言第84行的事实资格；其余组织与页面验收有正向证据。独立核对公开来源后，一项已 withdrawn 的测量不能因标了 historical 就重新变成有效事实。修正该限定、重建并读回两语言后，这个具体 blocker可以重新判断，不需要新实验或改变原科学门槛。

复用既有双语静态页面、CSS、构建与历史链接；文章结构无需新组件或数据存储，但数值必须沿用来源的撤回状态。 当前范围是文章重组、五张公开截图和既有阅读入口；最小修复是同步两种语言的测量状态，无须启动新实验。

实际生产构建的中英文首屏、桌面下部、390px 成本表与展开限制均已检查：结果与限制可找到，正文未缩小，表格内部滚动能看到输出列。 未验证线上部署或真实读者理解；本地页面数据忠实不代表所引历史测量有效。

repository experience 在此用于检查全文读者任务与信息层级，而非把“文档”自动判成 UX无关。已确认构建、导航、五张图片及窄屏可读性；这些不能覆盖测量来源缺口。代码/内容结论、原生图片 hold、严格质量结论、GitHub review/readiness和维护者 merge 权限保持分开。

English verdict: REQUEST_CHANGES — 8b44fe2b228c13f1f589b847443561f64e36c207. Both line84 cost summaries present the historical +2.25% complete-CLI figure as valid evidence although linked PR7269 explicitly withdrew that probe for omitting final CLI compaction. Correct both languages or label it as invalid/withdrawn history with a qualified source. Production build, SEO, thirty retained anchors per language, source/build equality and desktop/narrow visual checks pass; these do not establish scientific or full-cost qualification.

[loopx-agent]

[P2] Preserve the withdrawal status of this measurement in both languages. The linked PR7269 public explanation explicitly withdraws the historical +2.25% actual-CLI figure because its probe skipped final CLI compaction and pretty-printed the entry. Calling it historical does not restore validity. Please label it as an invalid/withdrawn probe, or replace it with a correctly versioned qualified observation, and make the same repair in the Chinese paragraph. The old record can remain accessible; no new experiment is needed. Source: #7269

[loopx-agent]

Reviewer: actor_kind=model_agent; model=gpt-6.1-sol; provider=OpenAI; declaration_source=runtime_reported; reasoning_effort=max.

Request changes conclusion (author-owned PR; GitHub blocks formal self-review)

[P2] 新提交仍把已撤回探针称为完整 CLI 测量。 当前 dd02dbe61801d68669ecfb53e057def38420854a 的双语第84行保留 +2.25% 并称“完整 CLI 交付”。原来源 #7269 明确说明该探针漏掉最终 CLI compaction、重新格式化了入口，已经撤回其实际 CLI 测量资格。标成“历史”不能代替 invalid/withdrawn。请同步补回撤回原因，或采用有准确版本、范围的修正观察；不要求新实验。旧8b44评审指出的这一问题在新头仍成立。

动机

希望判断长程 Agent 成果与完整成本的中英文文章读者。

旧文逐段追加实验，难以区分起点、后程增量与保留成果；新版重组为六个问题，却继续把已撤回的 CLI 探针当作完整交付测量。

双语文章、历史导航和成本表可读；已撤回测量的有效性仍向读者表达错误。

本 PR 不改变 runner、评分、模型执行或默认开关，不认证科学因果、完整费用或当前模型收益。

剩余缺口是测量撤回限定；科学因果与完整费用仍保持未证。

这次读者要解决的是“很多小时以后究竟获得什么、付出什么”，而不是了解新增了多少协议。后程增量、最佳成果是否保留、局部交互与完整成本的区分值得保留；本评审的阻塞只落在被改写测量的有效性。

改动思路

复用既有静态双语页面、CSS和构建即可完成组织改进；测量有效性沿用原来源，不能由叙事重写提升。

当前范围是六段文章、历史入口和七张公开截图；最小修复只同步被撤回测量的限定，不需要新实验。

现有 URL 仍读取普通静态 HTML，六段主线依次串联可信反馈、后程成果、证据到工作、完整成本和下一轮验证。原研究的状态和 runner 不受文章控制；表格、条件 disclosure 和历史入口只承担阅读。做得更少可以只修限定，但无法改善原文持续追加的组织问题；当前重组本身合理，无需增加服务、图谱、缓存或新状态 owner。

相对上次8b44评审，新dd02把共同用量窗口改为82m27s，披露 Grid 未缓存输入由早期下降转为+3.60%；原生 Hook 也改成明确的连续性工程假设，保留遗漏 Hook 和下游截断的未知。这些是有价值的说明修正；它们没有修复另一个独立的撤回状态缺口。

具体改动

规格：docs/architecture/rfcs/long-horizon-harness-benchmark-research-program-v0.md，接受的改动前版本 ce58c9141b4b805d4189f89959ade1be1d41ef40。§4 要求公开结论不超过证据层级；§6.1 保留原生成果、终态和资格区别；§6.2 要求保留来源、版本、单位、窗口和完整性，且传输字节不能充当完整成本。前两项在这个叙述范围内已实现；§6.2 在第84行未满足，最小修复如上。

关键代码讲解

虽然能力包按 HTML 路径将其分类为 code_change，这里三个行为节点都是静态文档区域，没有运行时逻辑：

1. section#later-common-windows 将 Ad 的小幅后程进展与 Schema 的起点优势拆开。0.052%领先与0.010000/0.010526后续增量分别保留；Official 的进展明确归属于基础模型／Official 路径，没有记成 LoopX 的因果收益。
2. section#context 并列未缓存输入、缓存输入和 output，覆盖82m27s、15:42:31 UTC以及最多2m22s尾部差异；六项百分比独立重算均吻合。它把局部复盘减负和全程费用区分开，但新的完整 CLI 句子仍错误沿用失效探针。
3. section#new-study 将冷启动当前验证、不同源码／传输尝试和旧参考分开。19.53%/19.48%只称同次捕获的一轮载荷，明确不含封装、后续输入、Hook和恢复；未宣称已取得持续成果或总费用下降。

完整差异是两篇HTML+132/-548及七张PNG。独立构建、SEO、两语言源／built逐字相等、全部30个既有ID保留且无重复均通过；宽表格保留内部横向滚动。历史 footer 的固定文章继续提供早期详细记录。所有七张新增图片均逐张看过并解析PNG chunks，未见私人上下文或文本／EXIF元数据；文本扫描不能认证图片隐私。

对主干的风险

最强反例是：生产构建、SEO、导航、数字算术全过，读者仍会把失效测量当作完整交付证据。基线原表也有+2.25%的旧记录；这次重写删去原表条件并明确称为“完整 CLI”，应携带来源已经撤回的状态。修复不应删除历史失败，也不应把它替换成当前模型效果或费用收益。

原生标准 premerge 的4 direct、3 catalog、8 risk和1 public-boundary执行全部通过；原始退出1为 manual_review_required，七项图片人工 hold 原样保留，不能称整个 gate通过。远端CI未查询、轮询或等待。PR正文提到的旧CI故障仅作为作者声明保留，不拿它认证当前头，也没有要求本文顺带修复无关代码。

没有评分、runner、scheduler、quota、权限、持久化、提示安装或默认开关的改变。不存在新协议命名、正文关键词运行时分类或自动执行；回滚仅恢复静态页面和图片。被检查的正例是现有文章入口和六段阅读；负例就是当前成本段的资格矛盾。没有运行模型、评测或新研究来制造证据。

我的整体评价

REQUEST_CHANGES，当前事实缺口需要修复，文章组织、双语一致性和局部数字校验有正向证据。长期执行边界 preserved；阅读组织更清楚，但用户信任维度仍存在上述 regression。代码体量与问题相称，既有URL/CSS/构建和30锚点复用充分；不需要新的抽象或作者以外的运行时权限。

实际生产构建的双语首屏、桌面成本区及390px展开条件已检查：六段主线与负例可找到，正文正常字号，宽表格在内部横向滚动；结构更易读，但事实资格缺口仍在。

未验证线上部署、真实读者理解或所引全部原始实验；这些不由构建与页面检查认证。

七张公开截图与实际本地生产构建都检查过；这些证明阅读和公开边界，不认证实验科学资格。repository experience 在此用于拒绝把文档自动判成UX无关，并检查可用阅读结果；不继承历史案例结论，也不据此声称记忆已经改善评审质量。修订双语撤回限定、重建并读回相同段落后可重审这一具体 blocker，发布、安装和合并仍是独立边界。

English verdict: REQUEST_CHANGES — dd02dbe61801d68669ecfb53e057def38420854a. Both rewritten line84 paragraphs still call the withdrawn +2.25% probe complete CLI delivery; PR7269 explicitly invalidates it for omitting final CLI compaction and reformatting entry output. Preserve that withdrawal in both languages or use a qualified pinned observation. Independent production build, SEO, retained anchors, six arithmetic checks and desktop/narrow reading pass; seven image/manual holds and scientific/deployment limits remain separate.