保留漏斗审计：Oracle 门控的 SQL 智能体轨迹语料丢掉了哪 12.41 个百分点

锚点论文是 HarnessSQL（arXiv:2610.12274，香港科技大学、微软研究院、清华大学、澳门大学，v1 于 2026-10-08，cs.CL）。它把「训练—部署错配」落成了一条可执行管线：79 个数据库（Spider 2.0-Lite 的 30 个 SQLite 库 + Spider 2.0-DBT 的 49 个库移植到 SQLite）封进只读沙箱，教师（Qwen3.6-27B）在四工具 DSH-SQL 契约内 rollout，只保留通过指称等价验证与协议检查的轨迹，得到 2,512 条 SFT 语料，再做 DAPO 执行奖励 RL。Qwen3-8B 在 Spider 2.0-SQLite 上从 15.5% 升到 45.2%，14B 从 22.2% 升到 54.8%。代码已开源。

这条管线的说服力集中在「保留什么」。本提案要问的是它的反面：被丢掉的那一部分，丢得有没有道理。

背景与动机

HarnessSQL 的保留门写得很短。§3.3 的原话是「轨迹通过指称验证与协议检查后保留」，产出 2,512 条。附录 K 的表 16 补了一句「每任务三次教师 rollout」，并给出教师的 $\mathrm{pass}@1 = 71.20\%$、$\mathrm{pass}@3 = 83.61\%$。三个数字之间缺一条账：每任务滚三次、教师单轮通过率 71.20%、三轮内通过率 83.61%，最终留下 2,512 条——这 2,512 条到底是「首次尝试就通过的那批」，还是「每任务挑一条通过的那批」？

两种读法都与数字逐位吻合。$2{,}512 / 0.7120 = 3{,}528.1$，$2{,}512 / 0.8361 = 3{,}004.4$，都可取整到合理任务数。全篇没有一句话区分它们。差别不小：若取前者，$\mathrm{pass}@3 - \mathrm{pass}@1 = 12.41$ 个百分点对应的那一整批任务——占教师可解任务的 $12.41/83.61 = 14.8\%$——一条轨迹都没进语料，而这批任务恰恰是教师自己也需要重试才做对的那些。§1 把教学目标写成「教会模型何时查 schema、如何解释执行失败、如何从错误的中间假设恢复」，被排除的却正是恢复发生的地方。

第二处口径在失败的定义上。表 11 报告 77.83% 的轨迹含至少一次失败执行，77.71% 出现失败后修订，作者用这两个数论证语料捕捉到了恢复行为。附录 D 紧接着自陈：34,936 次执行里的 3,989 次失败中，3,230 次来自以 SQL 注释开头的查询被只读守卫拒绝（首 token 不是 SELECT / WITH / EXPLAIN）。3,230 / 3,989 = 81.0%。真正属于 SQL 推理错误的只剩 759 次，摊到 2,512 条上是每条 0.302 次；即使假设每条轨迹至多摊到一次，含真实 SQL 错误的轨迹占比上界也只有 30.2%，不是 77.83%。

这条区分不是抠字眼，它直接绑着论文自己的一个因果结论。附录 D 的消融把「仅由前导注释引起的失败轮」剪掉后，执行准确率从 30.4% 掉到 28.2%，作者据此判定保留良性执行失败提供了有价值的恢复监督。这个差值在 n = 135 的评测集上只有 0.40 个二项标准误（30.4% 与 28.2% 的标准误分别约 3.96 与 3.87 个百分点，未配对差值标准误约 5.54 个百分点），论文既没有 seed 也没有逐题 McNemar 对撞。更麻烦的是它的可解释性：若把只读守卫改成先剥离前导注释再判别首 token，这 2.2 个百分点所依赖的那批监督信号会整体消失——一个 harness 的解析选择，被读成了学习信号。

第三处是协议门自身的定义漂移。§2.1 定义 $R_{\mathrm{protocol}}$ 检验四项：只读、动作 schema 合规、不含重复冗余查询、在步长预算内终止。附录 J 的实测清单第 6 条是另一套：工具参数合法、只读、预算内、提交前执行过完整 SQL。两边是双向对不上的——§2.1 的「无重复冗余查询」不在实现清单里，实现清单的「提交前执行过完整 SQL」不在 §2.1 里。表 8 给了一个旁证：若保留门真的剔除了重复冗余查询，SFT checkpoint 在评测中的 duplicate-call rate 不该还有 16.29%（基座 58.82%、SFT+RL 6.61%）。

第四处在 oracle 的方向性上。§3.1 采用 SQL-first 下种：生成器先采样一条可执行 SQL，再从真值关系一并导出自然语言指令与执行 oracle。问题与 oracle 同源，凡指令欠定之处（并列排序、舍入时机、NULL 处理、日期字段选取），oracle 只认生成器那一种读法。附录 J 第 5 条的变异测试要求「定向变异不应保持验证结果」，约束的是假阳性——一条错误查询碰巧产出相同结果而被放过。它不约束假阴性：一条在另一种合法读法下指称等价的提交被判失败。附录 I.2 的示例反而暴露了管线对此的自救方式——那条 core 任务的指令把「以机型名作为并列排序的决胜键」「只对展示的营收与比率字段保留两位小数」写死进提示词。指令写得越细，oracle 越接近单射，通过率越高；而 Spider 2.0、BIRD-Interact、LiveSQLBench 的指令不受这层约束。

同一张表还藏着一处同向的口径漂移。表 11 有一行写作 Trajectories with query revision 99.92%，而正文对同一个数的描述是「99.92% execute at least two distinct SQL queries」——执行过至少两条不同 SQL 与 发生过查询修订 是两件事：前者只看查询集合的基数，后者要求后一条是对前一条的修改。二者在论文里共用同一个数字、同一个行标签。于是「修订」在这篇论文的读数里至少有三个版本：表 11 行标签的修订、正文的两条不同查询、以及「执行失败后修订」的 77.71%。三个数支撑的是「语料捕捉到了迭代行为」这一个结论，而它们量的是三种不同的东西。对 OVRF 的直接含义是：失败语义轴 $p$ 的取值集合必须先固化定义再统计，否则 $\phi$ 会随定义漂移。

还有一侧漏斗完全没有被本文的审计对象覆盖——RL 侧。§3 写明 RL 训练池是 2,700 条合成 question–SQL prompt 加 100 条验证实例，与 SFT 的 2,512 条是两条独立的管线。SFT 侧至少有「三条 rollout、通过即保留」这句描述可审，RL 侧连这句话都没有：2,700 条从多大的候选池筛出、筛掉的是什么、与 SFT 的 2,512 条在任务上是否重叠，全篇为零。本提案的五轴账本对象因此应显式扩到 RL 池——$\rho_{\mathrm{att}}$ 与 $\phi$ 在 RL 侧各有一份独立取值，且两个池的任务重叠率本身就是一个需要刊出的数。

第五处是难度轴与保留率的脱钩。附录 I.1 把 $D_{\mathrm{str}}$ 做成显式下种旋钮，四个带（foundation / core / growth / stretch）各带分数区间与最少结构族数，$\pi_b$ 控制课程配比。进入语料的难度分布却是 $\pi_b$ 与各带保留率之积，后者从未刊出：表 16 只按来源库切成 1,797（71.5%）与 715（28.5%）。stretch 带被教师通过率筛掉多少，没人知道。

核心思路

提出 OVRF（Oracle-Verified Retention Funnel）：把「保留门」从一条二元判据升级为一份可审计的五轴账本，并在账本之上做重准入实验。

账本对每一条被丢弃的 rollout $\iota$ 记录五元组 $K^\ast(\iota) = (b, a, p, c, v)$：$b$ 是结构难度带与 $D_{\mathrm{str}}(z)$；$a \in \{1,2,3\}$ 是尝试序号；$p$ 是失败来源，取值于 {注释守卫拒绝、真实 SQL 错误、协议不合规、超预算、无失败}；$c$ 是触发剔除的条款标识；$v$ 是 oracle 判定与结果指纹。HarnessSQL 的可复现性声明里已经写明「记录每条 rollout 的执行 SQL、归一化结果指纹、拒绝原因」，账本只是把这条声明要求的字段落成表。

四个统计量从账本上直接读出，不需要重跑任何模型：

• 尝试轴上，$\rho_{\mathrm{att}} = \#\{a>1\} / \#\{\text{保留}\}$。等于 0 即确认语料是纯 $\mathrm{pass}@1$，14.8% 的教师可解任务整体缺席。
• $\phi$ 落在失败语义轴，定义为 $\#\{\text{真实 SQL 错误}\} / \#\{\text{全部失败执行}\}$，与表 11 的 77.83% 正面对撞。
• 协议轴产出的是 $\delta_{\mathrm{proto}}(d)$：在 $d \in \{\text{原字符串},\ \text{规范化后},\ \text{结果指纹}\}$ 三种「重复」定义下分别按 §2.1 重判语料的剔除率，报区间而不报单点。
• $\nu$ 是假阴性轴的估计，$\nu = \Pr[\text{oracle 判失败} \wedge \text{存在合法读法使提交与 oracle 指称等价}]$，抽样框现成——就是 $\mathrm{pass}@3-\mathrm{pass}@1$ 那批被丢弃的首次尝试。

与现有工作的区别在审计对象上。已有的轨迹选择工作（2610.13152）给已保留轨迹打结构分再筛一遍，本方案审计的是被拒绝的一侧，因为拒绝决定已经不可逆地塑形了语料；欠定问题的工作（2610.02739）在评测侧消解指令欠定，本方案把它当成语料保留的系统性偏差来测。

技术路线

第一步，挂账本并回填零训练统计量。 复用已开源代码，在 rollout 侧写 $K^\ast$，对 2,512 条保留轨迹与全部被拒 rollout 各落一条记录。产出 $\rho_{\mathrm{att}}$、$\phi$、$\delta_{\mathrm{proto}}$ 三张表，按 $b$ 分层。这一步不训练，成本是重跑一次数据采集（论文口径：79 库、每任务 3 rollout、8×H800）。

外部裁判标定 $\nu$ 放在第二步。从被 oracle 判失败的首次尝试中抽 200 条，与 200 条判成功的配对，双盲交给两名独立裁判（一名人类、一名与教师不同族的 LLM），判定「在指令允许的读法集合内，两者是否指称等价」。门禁设为精确率 $\ge 0.80$、召回 $\ge 0.75$，不达标就把 $\nu$ 降级为区间估计并在主结局里只报告上下界。

第三步，五臂干预。 用表 7 已验证的便宜设定（Qwen3-8B、固定 1,000 条子集）做臂筛选：A0 原管线（严格退化点）、A1 重准入（把 $a>1$ 通过的轨迹按等 token 预算补入，不是等条数）、A2 真失败匹配（按 $\phi$ 匹配的子集，与 A1 等条数）、A3 守卫修正（只读守卫先剥离前导注释再判别首 token，重采语料）、A4 难度配额（按 band 等配额重采样，切断 $\pi_b$ 与保留率的隐式耦合）。重准入写成单点可调参数 $\lambda$：$\lambda = 0$ 时 A1 严格退化为 A0。

全量复现排在第四步。通过筛选的臂在 2,512 条全量语料上跑 3 seed（对齐附录 C：3 epochs、471 updates、lr $10^{-5}$、有效 batch 16、32,768 上下文），14B 只跑 A0 与最优臂各 1 seed。

第五步，口径升级。 主结局一律报 n = 135 的二项标准误；SFT 与对照之间用逐题 McNemar 对撞而不是两个百分数相减；表 8 的六个行为指标（尤其 immediate recovery 与 duplicate-call rate）与准确率并列报告。禁止再用 2.2 个百分点这类不足 1 个标准误的差值支撑因果结论。

两处技术挑战需要提前处理。其一是等 token 预算下的重准入会让 epoch 数变化，控制办法是固定 optimizer update 数（471）而不是固定 epoch。其二是「合法读法集合」本身没有真值，$\nu$ 的估计必须依赖裁判一致性，第二步的门禁指标（Cohen’s $\kappa \ge 0.6$）先于 $\nu$ 本身报告。

预期成果

定量目标分两类。审计类：$\rho_{\mathrm{att}}$、$\phi$、$\delta_{\mathrm{proto}}$、$\nu$ 四个数首次刊出，其中 $\phi$ 的执行级点估计是 $759 / 3{,}989 = 0.190$，对应的轨迹级「含真实 SQL 错误」占比上界为 30.2%；若表 11 的 77.83% 在剥掉注释伪影后仍然成立，本方案对失败语义的判断即被证伪。干预类：在 LiveSQLBench Base-Lite SQLite 上，重准入臂相对 24.8% 的提升若 $\ge 3$ 个百分点且达 2 个标准误，即证明被丢弃的 12.41 个百分点承载了可迁移的监督；若提升集中在 Spider 2.0-SQLite 而 OOD 不变，说明 in-domain 收益里有一部分是同库熟悉度（论文已声明训练与评测共用 30 个库，附录 E 的任务级审计证明了无任务泄漏，但不覆盖库级熟悉度）。

这条干预门槛需要一处修正，否则会自己踩进它批评的那个坑。24.8% 不是「这个语料在 LSB-SQLite 上的分数」，而是「这个语料用 DAPO 训出来在 LSB-SQLite 上的分数」。论文表 4 在同一 SFT checkpoint、同一 rollout 数据、同一训练预算下比了三种算法：GRPO 40.7 / 8.7 / 23.3，GSPO 43.7 / 9.0 / 25.2，DAPO 45.2 / 9.0 / 24.8（S2-SQLite / BI-mini / LSB-SQLite）。也就是说，在本文要把它当终点的那个 LSB 列上，DAPO 并不是三者最高的，GSPO 比它高 0.4 个百分点；域内列上 DAPO 才最高。于是「提升 $\ge 3$ 个百分点」这个门槛，比同一张表内算法切换造成的抖动（0.4）大了七倍，看似安全，但它同时说明：若干预臂换了 RL 算法或改了 rollout 预算，读到的差值里就混着算法效应，无法归因到重准入。 修正后的执行要求是——A0 与所有干预臂必须锁死同一算法（DAPO）、同一 prompt 池与同一 rollout 预算，且主结局并列报告三算法对照；否则只报 $\lambda$ 的方向与上下界，不报点估计。

定性目标是把「只保留验证通过的轨迹」这句实现描述变成一份可复现的规范：任何 oracle 门控语料都应答出四个轴的取值。对数据工程实践的直接影响是，保留门的每一条规则都要配一个对应的统计量，护栏类伪影（本次的注释守卫）不得被计入失败语义。

引用核验记录（2026-10-20 编辑时逐条回源）

本文主张	一手出处	结果
标题 HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments、v1 日期 2026-10-08	abs 页	命中
Qwen3-8B 15.5% → 45.2%、Qwen3-14B 22.2% → 54.8%	abs 页、表 2	命中（SFT 阶段 30.4% / 37.8%，RL 后 45.2% / 54.8%）
79 个数据库：Spider 2.0-Lite 30 个 SQLite + Spider 2.0-DBT 49 个 DuckDB 移植到 SQLite	§3	命中
2,512 条验证轨迹；保留条件为「通过指称验证与协议检查」	§3.3	命中逐字
教师 pass@1 71.20%、pass@3 83.61%；每任务三次教师 rollout	表 11、附录 K 表 16	命中
77.83% 含至少一次失败执行、77.71% 出现失败后修订、99.92% 执行至少两条不同 SQL（表 11 行标签写作 query revision）	表 11、§4	命中（行标签与正文表述不一致，即本文新增的第三处口径漂移）
42,704 次工具调用、34,936 次 SQL 执行、3,989 次执行失败、其中 3,230 次来自前导注释被只读守卫拒绝	§4、附录 D	命中（3,230 / 3,989 = 81.0%；余 759 次）
剪掉注释引起的失败轮后 30.4% → 28.2%（−2.2 个百分点）	附录 D	命中；n = 135 下未配对差值标准误 5.54 个百分点，2.2 个百分点仅合 0.40 个标准误（复算一致）
$R_{\mathrm{protocol}}$ 四项：只读、动作 schema 合规、无重复冗余查询、步长预算内终止	§2.1 式 (2) 后	命中逐字
附录 J 实测清单第 6 条：工具参数合法、只读、预算内、提交前执行过完整 SQL	附录 J	命中逐字（与 §2.1 双向对不上，即本文第三处缺口）
表 8 重复调用率：基座 58.82%、SFT 16.29%、SFT+DAPO 6.61%	表 8、§4	命中
RL 训练池 2,700 条合成 question–SQL prompt + 100 条验证实例	§3	命中
表 4 三算法对照：GRPO 40.7 / 8.7 / 23.3，GSPO 43.7 / 9.0 / 25.2，DAPO 45.2 / 9.0 / 24.8	表 4	命中（本文新增引用，用于修正干预门槛）
SFT 配置：3 epochs（471 optimizer updates）、lr $10^{-5}$、有效 batch 16、32,768 上下文、8×H800	附录 C、表 9	命中
表 16 来源分布：Spider 2.0-Lite 1,797（71.5%）、Spider 2.0-DBT 715（28.5%）	附录 K 表 16	命中
OOD：BI-mini 9.0% / 11.3%，LSB-SQLite 24.8% / 28.5%	表 1、§1	命中

未核到 / 主动收窄：附录 I.1 的四个难度带分数区间与最少结构族数、附录 I.2 的 core 任务提示词原文、附录 E 的泄漏审计细节，本轮未逐字展开，本文只按其结论引用；stretch 带保留率论文全篇为零，本文不为其补估计值。

相关工作

1. HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments（arXiv:2610.12274）——本提案的审计对象，贡献了沙箱、四工具契约与 2,512 条语料，保留漏斗的五个轴都取自它的附录。
2. arXiv:2411.07763 — Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows，提供主评测所用的 135 条 SQLite 任务与 328 份接受真值 CSV。
3. BIRD-INTERACT: Re-imagining Text-to-SQL Evaluation for Large Language Models via Lens of Dynamic Interactions（arXiv:2510.05318）——多轮用户模拟协议，用来判定 $\nu$ 造成的是 in-domain 损失还是跨协议损失。
4. arXiv:2610.02739 — Beyond Correctness: Resolving Underspecification in Agentic Text-to-SQL，把指令欠定当作待消解对象处理，本方案反过来把它当作 oracle 假阴性的来源来测。
5. Quality, Not Just Outcome: A Structural Scoring Framework for Selecting Coding-Agent Trajectories for Supervised Fine-Tuning（arXiv:2610.13152）——给已保留轨迹打结构分，OVRF 补的是它不覆盖的被拒侧。