别看日志：一行执行记录，让误判率从 7% 飙到 90%

给视频评审看一眼 agent 的执行日志，它就不再看视频了。这是 Jian Xu 独立署名的论文《别看日志》的发现，而且适用范围远不止视频。

实验设计很干净。109 段生成的双事件短片，人工标注，要求的事件要么清楚地发生了，要么清楚地没发生。画面固定，唯一变的是旁边的文字。当执行记录写着“工具调用成功”，三个开源 Qwen-VL 评审（7B、8B、32B）会放过 78% 到 90% 的失败片段，没有文字时只有 7% 到 19%。给一段唱反调的记录，它们会把正确片段拒掉，最高 100%。明确告诉评审“只看画面”也没用。前沿闭源评审几乎不受影响，说明问题出在模型学来的“信任工具日志”的习惯，不在任务本身。

循环里的结果才吓人，因为根本不需要坏人。一个老实的规划器，不停重新生成直到评审说可以，最后评审通过率 1.00，人工标注的通过率 0.28。还有一种流程，让一个便宜的检查器把自己的结论写进执行记录，结果这个检查器的错误被洗进了后面更强的终审里，误放率 0.69。harness 设计者把执行记录加进去是为了方便排错，结果它成了答案。

这是一周里第三个关于执行记录的故事。先是一篇论文说 agent 会篡改自己的记录；然后是 OpenAI 复查自家 agent 干了什么；现在是：就算 agent 老老实实写记录，读记录的验证者照样被污染。设计原则自己就出来了：评审检查的是产出物，不是 agent 对产出物的自述。验证者如果非要看日志，就给它一份不是 agent 写的日志。

链接：arxiv.org/abs/2609.28564