Official Codex
verified_pass
20 / 20 · independent verifier
- Subject duration
- 193.000 s
- 工具活动
- 13
- 修改文件
- 2
01 · A real coding task
浏览器断流后，任务进度还能恢复吗？
一个前端任务进度页面通过 SSE 接收更新。任务尚未结束时，连接可能中断或提前结束。修复目标是自动恢复订阅，保留已知进度，并防止旧连接污染当前任务。
- 断流后自动重连；重试有等待上限，不形成忙循环或并行重复连接。
- 终态、认证失效、主动断开或切换任务后，停止旧连接的恢复。
- 晚到回调不能覆盖新任务状态；保留已有授权与人工操作反馈。
真实仓库级 TypeScript / Vue 修复任务。冻结 task、起始 workspace 和 independent verifier；展示不包含仓库源码或隐藏验收资产。
02 · Two recorded configurations
同一任务与验收，不同编程配置
Official Codex
请求模型 gpt-6-astra · high
Codex CLI 0.153.4 · Official ChatGPT
Claude Code
请求模型 qwen3.8-max
Claude Code 2.1.241 · Alibaba Bailian Messages
Claude Code 是运行时名称，此次请求的模型是 qwen3.8-max。模型、provider、CLI、prompt-template 不同；两侧保留原冻结 600 秒 subject 时限。
S1：PARTIAL REAL BENCHMARK / BLOCKED。16 个计划 cells 只执行了 2 个，其余 14 NOT_RUN。这是两个实测 attempts 的描述，不是能力排名、完整 benchmark 或单变量因果实验。
03 · Verifier-backed result
一次已验证通过，一次超时未验证
Claude Code
NOT_VERIFIED
NOT_RUN · 未执行 verifier
- Subject duration
- 601.055 s
- 工具活动
- 10
- 修改文件
- 0
Codex 的 task success 由已保存的独立 verifier 报告决定。Claude 达到冻结时限后停止，记录的过程耗时包含停止开销；无原生完成事件，verifier 未运行。
NOT_VERIFIED ≠ verified business fail。Claude 的 exit code 0 也不构成成功。usage、cost 和 timeout 根因未知；不能把未知填成 0，不能据此比较普遍效率。
04 · Trace Diff
结果不同，记录中具体发生了什么？
| 证据维度 | Official Codex | Claude Code |
|---|---|---|
| 工具序列 | 11 commands + 2 edits = 13 | 4 Bash + 6 Read = 10 |
| workspace 变更 | 修改 taskEvents.ts 新增 taskEvents.recovery.test.ts | 0 changed files |
| subject 自检 | 记录了 1 次 validation command | 未记录 validation command |
| 独立验收 | 20/20 verified_pass | NOT_RUN |
| 原生终态 | turn.completed | 未记录 |
ordinal 是事件顺序，不是时间。shell 中出现路径不等于访问成功；Read、Edit 与实际 workspace diff 分开核对。原始命令、输出、地址与私密推理不展示。
Official Codex · 工具序列 (13)
| 开始 ordinal | 结果 ordinal | 工具 | 记录状态 |
|---|---|---|---|
| 4 | 5 | command_execution | completed |
| 6 | 7 | command_execution | completed |
| 8 | 9 | command_execution | completed |
| 10 | 11 | command_execution | failed |
| 12 | 13 | command_execution | failed |
| 14 | 15 | command_execution | completed |
| 16 | 17 | command_execution | failed |
| 18 | 19 | command_execution | completed |
| 21 | 22 | file_change | completed |
| 23 | 24 | command_execution | completed |
| 25 | 26 | file_change | completed |
| 27 | 30 | command_execution | completed |
| 28 | 29 | command_execution | completed |
Claude Code · 工具序列 (10)
| 开始 ordinal | 结果 ordinal | 工具 | 记录状态 |
|---|---|---|---|
| 6 | 7 | Bash | completed |
| 8 | 9 | Read | completed |
| 20 | 21 | Bash | completed |
| 22 | 23 | Read | completed |
| 44 | 45 | Read | completed |
| 46 | 47 | Read | completed |
| 66 | 67 | Bash | completed |
| 68 | 69 | Bash | completed |
| 89 | 90 | Read | completed |
| 91 | 92 | Read | completed |
05 · Evidence-bounded diagnosis
事实可以复验，根因仍有边界
能确认
Codex 保存了修改、自检与独立通过记录。Claude 保存了读取和 shell 交互，随后直到时限仍无完成、文件变更或验收记录。
execution_budget_exhausted 是已记录的 failure taxonomy。
不能确认
无法证明 timeout 是模型、provider 或运行时哪一层导致。没有逐事件时间戳；thinking metadata 数量不是 token usage，也不是有效推进的证明。
root cause: NOT_ESTABLISHED
原 Claude cleanup FAIL 与随后 post-stop cleanup PASS 分开保留；后续收尾不会改写原 attempt。
06 · Offline Replay
换一台机器，仍能核对同一组事实
Frozen bundle → SHA-256 / inventory → native ↔ normalized trace → workspace diff → verifier state → Trace Diff
本文件生成时已复用 S2 reader 对两个完整 bundle 做离线重建，并与冻结输出摘要核对。缺失、篡改或跨记录矛盾直接拒绝导出。
Replay PASS 表示保存的事实可一致重建，不表示重新运行模型、命令或 verifier。本页展示生成时的验收快照，点击或刷新不会执行 replay。
核对来源与摘要
以下是导出时已核对的来源摘要。摘要用于完整性核对；同时替换证据和全部信任锚的攻击不由摘要单独认证。完整原件留在操作者仓库。
- README.md
sha256:9f5b586f9fa0ab521ea0c42fec237818caf59b7ab89a154ed1644c8b20cef70b - final-status.json
sha256:236aebfa45427db32c719207d255e9bb810077788a56145065c741333817a5a1 - github-offline-run.json
sha256:5c94ef405721295f452766e08f7724863b87cf13d7863d696cf16e3f85ef5820 - github-fast-run.json
sha256:bae08efbd4ccd079ce11edb1734810998798821dbbb6e696a76dba49a7fed064 - github-receipt.json
sha256:3cf02fdfcdcbbb8a75353f878bffbc8dd03f282f17b8e27ab61331204f08795b - claude.json
sha256:fee070ee5d18df386005e5a006fa6084c45504ba3c7c4a6345b24175f9b8fe1d - codex.json
sha256:e7fefdfb5cf17de2c8f06220f9c66aabe498e5e52175f2401796d1ea200c2cfe - diagnosis.md
sha256:cce662542d885d65de95771f1e3d3f75a0a5997bc162ed998a7c906c090f24d1 - offline-boundary.json
sha256:1e5b18de89bb1c586931174681538dcdb668a1f5453c36e3c6472070552dd097 - trace-diff.json
sha256:968a1b8409a496dd1693e9b80413f940fc196937053675c35a761aed2af7bbef
07 · CI regression
把已知事实变成后续变更的回归边界
65 项离线回归 PASS · 两次 CLI replay · 5 个输出逐字节一致。
已保存的 GitHub Actions 记录：Offline Regression 与 Fast CI 均 PASS。实现验收 SHA：b2d729bc8d1c9eb793511b54a7b235a72e67cb9b。这是 2026-09-21 的已核验记录，不是实时状态。
- evidence / digest drift 与 replay inconsistency
- trace / schema / parser regression
- changed-files attribution 与 failure taxonomy regression
本地与 GitHub 使用同一入口。回归运行于无外部网络的 namespace，环境清空；普通 CI 不调用 Provider、model、Claude 或 Judge。依赖安装与 GitHub 日志传输在回归隔离边界之外。
工程交付：真实 run evidence → 描述性 Trace Diff → 有边界的诊断 → 离线可复验 → CI 检测回归。S1 partial/blocked；S2/S3/S4 complete，求职展示已冻结。