GUITaboo Probe决策质量与运行开销审查
先回答研究问题
- 150条里真正有价值的有多少？ 至少6条有较强证据支持填补了该Run此前未尝试的独立功能入口：ActivityDiary Jev Statistics、StartLux Manage activities与Settings；Wikipedia Jev Places、StartLux Settings与Donate。这是已保存历史边界下的收益下界，真实有价值总数仍未知。另外Omni两组Enable checklist、StartLux Merge/快捷方式、Jev备份等具有明确局部功能价值，但不足以排除更早等价历史，没有硬凑进6条。
- 明显重复多少？ 决策前有可核实等价尝试的60条；其余84条UNKNOWN。另Omni StartLux step825在决策时不能确认为重复，但等待期间807已经归档，故执行时重复增加为61条、UNKNOWN变为83。这里按“此前尝试同一功能模板”判断，未要求每次业务最终完成；目标图缺失的历史明确保留该限制。它们不是已人工确认的训练标签。
- 重复主要来自哪里？ 在60条可确认重复中，31条的已核实等价历史没有进入当前合法历史池，8条在池内却没有进入Top3，7条属于匿名图标缺少历史菜单效果。其余9条为wire足以提示等价但Pair语义可疑、3条为低置信等价结果未否决的探索聚合、2条仍无法区分Pair与上下文问题。详见逐条来源分解。这些是主要证据所在环节，不等于证明每条只有一个根因。
- StartLux、Jev各自最明显的弱点？ 本次StartLux的Wikipedia目录跳转和Scarlet标签筛选有内容/数据差异被当成独立功能的可疑判断，也出现低置信SAME没有阻止PROMOTE。Jev在ActivityDiary反复导航到已访问功能、Scarlet反复打开文本块菜单时，主要先看到历史作用域及效果Evidence问题。两组走过不同页面和题目，不是同题准确率比较，不能据此得出模型能力排名。 条件分别统计
- 哪些最支持GUITaboo动机？ activitydiary JEV step475 Statistics与wikipedia JEV step1020 Places最清晰：同一ModelAction已经执行过其他入口、Native选择快照显示该组已饱和，Probe仍选到尚未执行的Statistics/Places，并真实进入相应页面。Donate、设置也是同类正面证据。它证明本次填补遗漏，不能证明Pure今后永远不会选到。
以上计数分母为150个已确认Probe（StartLux64/Jev86，10个模型Run）。全部决策wire与链路已还原；但GUI/全功能历史并非全量保留，因此不输出伪装完整准确率的分类百分比。UNKNOWN既可能有价值，也可能重复。
最有力的六条收益证据
| App / Probe | 第几分钟 / 执行step | 模型实际比较的已执行操作 | 实际打开功能 | A2 / A10 / B首次方法 |
|---|---|---|---|---|
| activitydiary JEV step475 Statistics | 12.24 / 475 | Map(176)、Settings(227)、Diary(264) | StatisticsActivity；Statistics | 270 / 276 / 265 |
| activitydiary STARTLUX step571 Edit Activities | 15.12 / 571 | About(255)、Diary(258)、Select Activity(432) | ManageActivity；Edit Activities | 13 / 14 / 12 |
| activitydiary STARTLUX step608 Settings | 16.38 / 608 | About(255)、Diary(258)、Select Activity(432) | SettingsActivity；Settings | 308 / 373 / 308 |
| wikipedia JEV step1020 Places | 27.49 / 1020 | Donate(636)、Settings(673) | PlacesActivity；Places | 1504 / 1671 / 1451 |
| wikipedia STARTLUX step615 Settings | 16.51 / 615 | Places(312)、Places(455) | SettingsActivity；Settings | 155 / 178 / 155 |
| wikipedia STARTLUX step734 Donate | 18.78 / 734 | Places(312)、Places(455) | MainActivity；Donate | 619 / 897 / 517 |
Donate的后Activity仍是MainActivity，但截图是支付方式sheet，随后普通735进入GooglePayActivity；不因为Activity名称没变而漏掉新功能，也不声称完成捐款。Statistics/Manage activities允许数据很少或列表为空；确认的是独立入口已打开。
这六条选择时的ModelAction均已标记saturated=True；组已有访问数分别4、8、9、2、2、4，原快照保存在逐条JSON。比如Statistics475实际比较Map176、Settings227、Diary264，三个DIFFERENT均confidence=1，随后B窗口265首次方法；Places1020比较Donate636、Settings673，两条DIFFERENT均1，随后B1451，其中大量是地图库初始化。不是仅凭方法名推断页面访问。
6条阴性历史检索范围及结果扫描全部已保存Native输入和源/目标Activity，并核对决策前与执行前两个截止点。它仍不承诺恢复未保留的FUZZ内部GUI与所有匿名控件语义。
全部150条结构化审查
| App | 条件 | 全部确认Probe | 明确首次独立功能 | 已有等价尝试 | UNKNOWN |
|---|---|---|---|---|---|
| activitydiary | STARTLUX | 12 | 2 | 8 | 2 |
| activitydiary | JEV | 17 | 1 | 16 | 0 |
| odkcollect | STARTLUX | 4 | 0 | 0 | 4 |
| odkcollect | JEV | 21 | 0 | 2 | 19 |
| omninotes | STARTLUX | 31 | 0 | 7 | 24 |
| omninotes | JEV | 26 | 0 | 4 | 22 |
| scarletnotes | STARTLUX | 4 | 0 | 3 | 1 |
| scarletnotes | JEV | 16 | 0 | 12 | 4 |
| wikipedia | STARTLUX | 13 | 2 | 7 | 4 |
| wikipedia | JEV | 6 | 1 | 1 | 4 |
按决策前历史分类：NEW_SUPPORTED=6、REPEATED_SUPPORTED=60、UNKNOWN=84；按执行前历史：6/61/83。功能新颖性与方法新增分轴统计，不把new State等同新功能。
可浏览25条深入案例与全150条图文，或用主表CSV、完整JSON。每条都有请求/决策/执行step、完整ModelAction/Concrete、原问题/回答/confidence、Witness、Ledger→Bound→Selected→输入→Executed时间与原事件行、前后图、后续APE动作、方法名单入口及审查理由。
150条对应103次唯一网络请求、378个候选-Witness比较曝光。一请求可以包含多个候选，且稍后才执行，不将执行次数当HTTP次数。这150条的Pair缓存命中均为False；不能用其他未执行候选的缓存事件冒充本条新推理来源。150条原始聚合均为PROMOTE，依冻结规则重放150/150一致，未发现这些已执行项的聚合实现偏离规则。
为什么说重复主要不等于模型语义错误
已访问Statistics，却没有把Statistics历史给模型
activitydiary JEV step564 Statistics：第一次475在g11s38/g11a627打开Statistics；564审核在g13s49/g13a696，合法历史只有Select Activity131、Diary142，两条均进入比较。模型对它们判DIFFERENT .98/1是合理的局部比较，但没有475可以认出“整个Run已统计”。1201那次甚至只拿到Edit Activities918，而475/564及普通1026均早于请求1072。
StartLux455也不是首次统计，普通37与386早已进入StatisticsActivity；432审核只有About255、Diary258。它与Jev475的首次统计必须区分，不能按相同按钮名批量算正例。
冻结Registry按当前Native State对象→ModelAction对象收集confirmedInputs；history.complete=True表示此收集范围完整，不表示App级功能历史完整。对31条池外重复，原日志未逐输入保存排除原因，所以只能定位为作用域/映射过滤后的历史缺席，不能31条全说成某一个State细化实现bug。
Lock历史在池里，Top3却始终选其他功能
omninotes STARTLUX step1531 Lock决策在1331，此前Lock246/664已打开同一密码/找回问题表单。两条都能在本地provenance的当前合法池找到；发给模型的却是Info166、Enable checklist172、Reduced view210。这里是可复核的Witness覆盖不足，不能指责模型看到了Lock还判不同。
Protocol源码使用文本/单词/resource/class/action特征排序，并倾向不同特征集合，最多取3条；它不保证覆盖每个已执行功能。多语言和页面状态变化时，更早三个异功能Witness可长期占据比较位置。相同情况还包括Omni SL664/1331/1928/1935、Jev767/1588/2078。
文本块菜单确实重复，但模型没有见到菜单结果
scarletnotes JEV step130 Add Heading… (com.bijoysingh.quicknote:id/action_move_icon)的Witness107/120/128事后原图都已显示Block Text Actions：Share/Copy/Delete；130再次显示同一菜单。随后654、656、868、870、1409、1502仍打开同一模板。实际wire只有匿名action_move_icon和附近的Add Heading/Content/Item等块标签，历史执行后的菜单截图/效果没有送入。不能把事后图片可确认的等价，直接计成充分Evidence下的模型错误。
明明已有等价信息，仍然被探索聚合放行
scarletnotes STARTLUX step608 No Notes：同为EditText长按，378/380的SAME confidence .335/.458不可信；与Heading549的DIFFERENT .504751刚超过.5，因此PROMOTE。604也有Item384 SAME .255，而Heading554 DIFFERENT .734。
规则是“任意trusted SAME先REPRESENTED，否则任意trusted DIFFERENT可PROMOTE”，不是所有Pair都需证明全局新功能。Omni1933再次Enable checklist时，旧Enable172也在wire，但与它的DIFFERENT .399不trusted，另一个Disable DIFFERENT .638依然放行。属于探索策略的实际行为，未证明聚合代码bug，也不通过本轮离线审查更改阈值。
哪些语义判断在已有wire下仍值得怀疑
本次有9个Probe级的可疑语义案例：StartLux的6个Wikipedia文章目录项、1个最近查询选择、1个Scarlet标签筛选；Jev的1个Omni跨语言Enable checklist。这是研究意见，非人工金标、非9个独立错误Pair，更不代表已计算模型总体错误率。
例如wikipedia STARTLUX step1492 Early life：Early life与Лолита目录项比较仍判DIFFERENT .6197/.6656；wire中的目录角色、路径与正文定位操作支持“文章内跳转模板，差别是内容”。Probe前后图实际只是定位Early life章节，B=0。标题定位与章节定位的功能粒度仍可由研究者最终裁定，当前没有写回标签。
scarletnotes STARTLUX step846 Add Quot不是“Add Quoted Text新增块”：候选与Archive833、DONE845均是搜索页tag_text标签芯片，点后切换筛选颜色、结果仍No Notes；D .646/.613把不同标签数据当成不同功能。新报告对旧报告“搜索建议”描述作了本地澄清，未覆盖旧报告。
为什么执行成功却没有新增方法
默认B窗口有113条0首次METHOD：其中57条有等价历史证据，56条新颖性UNKNOWN；六条高证据首次功能的B均非零。A2为0有105条，A10为0有78条。不是113条都错误，也没有足够证据认定全部无代码收益。
- Scarlet SL604：已有清单文本编辑，仅取得焦点；608：已有文本长按，出现Paste/Select all。这两条有历史功能证据，不是因为B0才判重复。
- Scarlet SL605：实际向引用字段输入+8.；早期截断Add Quot不足以恢复块角色，保留UNKNOWN。SL四条最终为3条重复、1条UNKNOWN，不能把四个0直接叫四次模型错误。
- Omni SL656：普通空笔记Info与清单Completed统计可能是不同模式分支；B0下仍保留UNKNOWN，未强判同名Info等价。
- ODK Username/Password：与URL是独立配置目标，输入框确实打开但B0；更早匿名行历史不全，不宣称第一次，也不因零方法否定它。
- Wikipedia Jev1878：实际进入User:FaviFake而B0；可能与此前其他阅读路径共享已执行代码，全局首次用户页不足以证实。SL1698则是404错误分支，44方法不能证明用户页加载成功。
- ActivityDiary Jev649与Wikipedia Jev59：输入确认存在，但目标地图/分享面板未被观察到，分别属于未走到预期界面或结果证据不足。
没有找到足够高证据、可严格保证“整个Run首次独立功能且B0”的案例；这类应有的展示位置由上述UNKNOWN案例承接，绝不制造正例。窗外/输入注入期间、异步加载与METHOD观测缺口均可能改变观测。窗口完整只指已保存METHOD流可计算，不表示APK-wide观测完整；原验收覆盖数从未被这些窗口重算。
执行阶段还会使原本合理的机会过期
omninotes STARTLUX step825 ເກັບຮັກສາ在482作决定，约499.464秒后才执行；在等待期间807已归档一条笔记，825再归档两条。当前按普通数据集合的归档模板判断执行时重复；若研究者将批量归档单列独立测试分支，应重新裁定此项。不能拿807的未来结果倒推482当时模型错。
Ledger保留run-local pending PROMOTE，按当前Native State和精确identity确认消费，并没有全局功能等价记忆。本轮未证实“同一缓存键应该命中却失效”的实现bug。也不能简单跨State复用canonical identity：匿名容器可能在另一页代表不同设置，旧identity命中不是等价金标。
追加：吞吐下降与真实阻塞时间
| 条件（5 App合计） | 普通动作选择 | 相对Pure | 实测同步Provider等待 | prepare排除等待的本地耗时 |
|---|---|---|---|---|
| PURE_APE | 12,042 | +0.00% | 0.000 s | 0.000 s |
| STARTLUX_PAIRWISE | 10,988 | -8.75% | 415.839 s | 114.953 s |
| JEV_PAIRWISE | 10,067 | -16.40% | 2230.990 s | 190.923 s |
普通动作减少不能直接全部归为GUITaboo损失。上表是Native实际计时的同步等待和prepare内本地工作，彼此已经排除嵌套；导航、FUZZ到下一动作、动作到GUI等另有重叠包络，不能继续相加凑3600秒。
本轮正式1030请求的Native等待模式均是synchronous。Gateway异步接收/回执事件不代表APE在继续探索。Jev约6秒发送准入本来限制Gateway上游发送；由于本轮Native同步await，其队列等待会实际阻塞APE。Scarlet Jev318请求的Native await约1273.566秒，其中Gateway排队900.873秒；ActivityDiary Jev243请求await约699.014秒，排队410.307秒。这是实际等待证据，不是把HTTP延迟机械相加。
Omni两模型的Provider等待仅约114.423/152.592秒，无法单独解释普通动作降幅；普通APE选择、页面/FUZZ/恢复包络等路径差异与未归因时间必须保留。性能专项还提供15条Run的逐分钟普通/Probe/HTTP/等待/本地审核/导航/Transition/首次方法、最长停顿及三App深入分析。性能总报告 · 开销归因 · 逐Run计时
API成功率、协议解析与APE效率分开：正式StartLux344/344、Jev686/686均HTTP 200；已保存协议字段校验和Native解析/消费也分别为344/344、686/686（100%），没有记录到429或超时。另有20/48次缓存合成回复，不算HTTP。等待分位数与逐请求来源见Provider计时表和性能验收，不能把HTTP 200直接等同探索收益。
下一步优先级与交付边界
优先审查历史池跨页面/State覆盖、Witness代表性、匿名控件的历史效果Evidence，再评估内容实例与独立操作的Pair标准、低置信等价与探索聚合、pending时效。速度方面先检查已证实的Gateway发送排队与Native同步等待组合；Omni继续保留普通APE选择和路径差异的边界。详见建议，只提建议，本次未实施优化。
本次只新增报告目录及只读关联脚本，复用已有guitaboo_analyze.py关联体系与旧150条执行审计；未运行APE、未调用任何Provider、未重建JAR、未改Prompt/算法/平台/语义标签。既有报告和原始Run保持原内容。25条深入案例另有截图浏览，其余125条也保留完整wire与结构化结论，未拿84条保守UNKNOWN补出二分类。