StartLux与Jev：本轮观察到的特点

本表不是同题模型准确率。两组由各自模型判断与APE随机探索产生不同轨迹，经历的State、历史、Pair、等待时间不同。尤其StartLux有35/64、Jev有49/86新颖性UNKNOWN，不应把已知子集比例当成总体精度。

相同的正面能力

StartLux4条：ActivityDiary571管理、608设置；Wikipedia615设置、734捐款选择器。Jev2条：ActivityDiary475统计、Wikipedia1020地图。二者都能把同组已执行的其他命令与当前独立入口区分。六条均是已饱和ModelAction中的Concrete补选，不是Native普通Greedy尚未访问的全新ModelAction。

Omni两组172同样实现了Info以外的清单转换，局部价值清楚，但早期GUI不全，未算全局首次。它们的好处不能仅用Probe多少概括。

StartLux本轮值得复核的薄弱处

6条Wikipedia目录定位、1条最近查询选择、1条Scarlet标签过滤属于wire提示同一操作模板仍出现DIFFERENT的可疑项，共8条。另Scarlet604/608与Omni1933表现出低置信等价关系未阻止其他Pair的DIFFERENT推动PROMOTE。它们不是模型直接返回一个“全局新功能PROMOTE”；Native对Pair结果进行探索聚合。

ActivityDiary5个数据卡片也不能一概按名称不同判错：1184/1831/1868是启动，1867/1884是停止。1831的Witness1207/1724源页是当前正在进行的活动，可能代表停止分支，当前是启动；所需状态上下文未进入wire。1884有更早1867明确停止证据，但没有送入当前Pair。1867本次停止成功，更早停止结果不完整，所以仍UNKNOWN。

Jev本轮值得复核的薄弱处

ActivityDiary17条中，首次统计1条、已有等价导航16条；大量跨State重复首先是先前入口记录没有进入本次合法池，不是DIFFERENT(Statistics, Diary)这类局部比较本身错误。Scarlet16条中7条重复文本块菜单，匿名图标wire未呈现历史Share/Copy/Delete效果；只用旁边块标签判断可能产生过度区分。Omni339把已见的另一语言Enable checklist判为DIFFERENT .67，是1条有较明确wire支持的可疑语义案例。

为什么不能叫模型能力差异

分母64/86是确认执行Probe，不是全部送审Pair。它受Native候选、分组、Top3、调度与轨迹选择影响，还排除了未执行PROMOTE。没有重新调用模型、同题离线评测或把研究意见变成金标。性能上本轮Jev同步等待显著更多、存在Gateway发送排队，进一步影响可用探索时间，但并不自动决定语义质量。

逐条结论 · 9个可疑语义Probe与其他根因 · 运行开销专项