Research & Benchmarks/2026-10-24/14 min轨迹与标签：坏的计算器值被悄悄换成正确值，核验却记成没有复查Adeniji、Shilpika 与 Papka 用 GSM8K 和会出错的计算器，审计六个生产模型上的轨迹检测器。人工复核 90 条里，最终正确与故障传播完全一致，核验只有 67/81。
