本期优先读两种“责任归属”：深度研究的引用错误究竟在哪次信息交接产生，以及 KV 缓存的性能收益究竟消耗了多少 SSD 寿命。前者把报告质量拆成可诊断的调用边界，后者把设备耐久性放进缓存放置决策。它们都让一个看似单一的指标显露出背后的代价。
其余研究沿三条线展开：Muffin 与 ScaleMAS 改变多智能体共享信息的方式；AgentTriage、REGATTA 和检测器审计追问诊断证据与评价标签是否可靠；SARIA、MoEZip、uGDS 与 OMRC 则处理缓存、存储和互连约束。编码优化和工业清理案例还提醒我们：证明、测试与人工检查覆盖的责任范围并不相同。
01 · 引用错误定位：找出信息在哪次交接中失真
Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research
Eran Hirsch, David Wan, Han Wang, Elias Stengel-Eskin, Mohit Bansal, Ido Dagan · 2026-08-25 · EMNLP 2026
深度研究报告中的一句话挂着真实链接，仍可能没有来源支持。搜索器先把网页压成片段，研究员再写笔记，编排器最后生成报告；信息与引用在每次交接中都可能变化。只给最终报告一个引用召回率，能说明出了问题，却难以决定应该修搜索、摘要还是写作环节。Eran Hirsch 等的工作把评价单位缩小到一次 agent 调用，检查它实际收到的输入和产生的输出。
方法先为目标句抽取支持片段，验证这些片段确实出现在输入中，并能共同支持该句。找不到充分支持时归为幻觉；若支持依赖没有引用的输入，归为依赖无引文输入；若输入有引用而输出丢了引用，归为输出未引用；若输出仅保留部分必要来源，则归为引用不足。这里检查的是相对输入的忠实性，因此一个 agent 忠实转述上游错误时，不会立即被认定为错误起点。
先检验输入能否支持输出，再检查支持片段和输出的引文是否齐全；每个终止分支对应一种错误。
系统级分析先找最终报告中不能被原始来源支持的句子，再沿支持片段递归回溯。遇到当前调用新引入的错误就记录责任位置；如果当前调用忠实传递了信息，则继续追到上游。这与统计每类 agent 平均犯错多少互补：中间笔记可以有很多错误，却未必进入最终答案；位于出口的编排器错误较少，也可能决定读者最终看到什么。
作者在 20 个 DeepResearch Bench 样例上分析 AI-Q、MS-Agent 和 TrajectoryKit。AI-Q 最终确认错误中，84.7% 被归到编排器；这不是“84.7% 的报告句子出错”。更值得读的是从诊断到干预的下一步：在另一个覆盖全部 50 个英文问题的实验中，分别把研究员笔记替换为原始片段，或提醒编排器避免无引文信息。引用召回率由 64.5% 分别升至 69.7% 和 69.6%，RACE 质量分数维持约 52.4–52.6。两项改动分别评估，不能把收益相加。
推进之处是把引用质量变成可定位、可验证的组件问题。 但定位器也依赖模型判断：50 句人工标注中，算法与裁决标签精确一致率为 76%，κ 为 0.62；表格数字未纳入评价。不同角色采用不同模型，错误类型与模型能力之间的联系也只是观察。优先读局部判定流程与干预实验，理解何种证据足以把责任归到一次调用，避免把这套诊断当成完全准确的因果裁判。
另一个值得注意的设计是，原始网页内容直接从执行日志取得，而不是评价时重新抓取网站。否则，网页更新、付费墙或不同爬虫可能制造与原运行无关的引用分歧。不同系统仍需各自适配输入、输出和引用标记，代价并不会因为统一分类而消失。对研究者，这是一种将信息来源与调用边界同时保留的评价方法；对开发者，则意味着记录中间证据本身就是后续定位能力的一部分。
02 · Gandalf：把 SSD 写入寿命纳入 KV 缓存决策
Gandalf: Flash Shall Not Die! Increasing Flash Storage Lifetime for KV Cache Offloading in LLM Serving
Maharani A. P. Irawan, Kuntai Du, Jiayi Yao, Dongjoo Seo, Yuyang Huang, Haryadi S. Gunawi, Junchen Jiang · 2026-10-22
把 KV cache 从显存搬到 SSD，可以扩大可复用上下文，却也把推理服务变成持续写入负载。缓存失效可以重算，闪存写入寿命却不能恢复；只优化命中率，会把大量短命状态持久化。Gandalf 关注的变化，是把“是否值得写盘”与“这份状态还能复用多久”一起纳入缓存管理，而不只在空间耗尽后执行通用淘汰。
它利用混合注意力模型中的状态差异。全注意力保存各 token 的 K/V，后续追加对话往往继续使用整个前缀；线性注意力在边界保存递归状态，新一轮结束后旧状态通常很快被替代。滑动窗口状态也有相似的短期复用特征。若最新状态能在 DRAM 中等到下轮请求，额外写入 SSD 就可能没有带来一次有效命中。这个观察给出优先保留短命状态在内存、让长期前缀使用 SSD 的方向。
新缓存先进入 DRAM；内存紧张时比较丢弃与迁移，SSD 替换还会影响已有前缀的复用价值。
固定分层仍受容量约束：短会话的递归状态可能塞满 DRAM，长会话的前缀又可能占满 SSD。实际在线策略先将新缓存放入 DRAM，在压力到来时比较两个代价：丢弃造成的预期重算，以及写盘磨损加上替换 SSD 中其他缓存所损失的复用。历史会话返回行为用于估计再访问机会，状态大小和等待时间参与归一化；写入价格还可以随目标寿命预算调整。参数 α 越大，写盘越谨慎，通常也意味着更多缓存未命中。
论文在 Kimi-K3、100 GB DRAM、1 TB SSD 的轨迹模拟中比较多种准入和淘汰策略。在最低未命中率配置 α=0 时，相对各轨迹最低未命中率的基线，TraceA、Claude Code 和 AIPerf 的估计寿命分别提高 2、3.3 和 6.5 倍。Claude Code 的未命中率为 0.052，略高于 LRU 的 0.047，却减少了写入。这比单报“延寿数倍”更有意义：收益必须和具体工作负载、缓存容量及重算代价一起读。
这里最值得关注的是优化目标的扩展：缓存不仅消耗容量，也消耗设备寿命。 作者通过存储轨迹和模拟器检验写入行为，寿命按额定总写入量与推算日写入量计算，并非把 SSD 连续运行到报废的测量。模拟假设写放大为 1，没有完整建模垃圾回收和磨损均衡，绝对寿命可能偏乐观。文章适合与 SARIA 对照阅读：前者突出状态类型、成本与放置，后者用跨 DRAM 驻留的复用证据过滤写入，并协调重载。两者都要求同时观察延迟与耐久预算。
在混合模型里，“一个前缀命中”还意味着该边界需要的各种状态都能取得。只保留全注意力部分而丢掉必须的递归检查点，并不能按完整命中计费。由此看，按类型放置只是偏好，真正的决策必须尊重前缀依赖与容量。寿命目标也应与请求质量目标共同设置：写入减少若换来昂贵重算，节约的设备成本可能被更多 GPU 时间抵消。这正是成本比较比固定写回规则更值得研究的原因。
03 · Muffin：共享发现，让推理保持异步
Muffin - A Shared Memory Buffer for Asynchronous AI Agents
Ping-Lin Kuo, Suman Navaratnarajah, Christian Frey, Gresa Shala, Josif Grabocka · 2026-10-22
Muffin 将共享内容缩小为发现、警告和中间结果，保留各 agent 的私有推理。编排器分派角色与子任务；agent 在每一步开始时读取其他成员最近的 k 条发现，完成后原子追加新发现，最后由汇总器根据各自末步摘要形成答案。无需等待所有成员完成同一轮，但迟到的消息可能错过当前读取窗口。
编排器划分任务，共享缓冲只交换选出的发现，汇总器读取各成员末步摘要。
在四个模型、五个报告任务列的 20 组组合中，17 组准确率最高。OlymMATH-Easy 上 gemma-4-E4B-it 的步数扫描显示，最终准确率比最强基线高 19.2 个百分点，相对辩论减少 77.4% token；这不是所有任务的平均收益。共享窗口扩大或增加到四、五个 agent 也未稳定改善结果。评价以问答推理为主，尚不足以断言真实多智能体故障主要来自信息共享。
04 · AgentTriage：把诊断结论绑定到动作生命周期
AgentTriage: Replayable Security Diagnosis Across Heterogeneous Agent Runtimes
Jie Ying, Xutao Zhang, Ningyuan Chen, Mengce Zheng, Jun Li, Zhongjie Zhu, Tiantian Zhu · 2026-10-22
AgentTriage 用薄适配层将五种运行时的原生事件转换成统一契约，保留调用标识、父子关系、动作结果及证据类别，再从具有策略决定意义的终点向后切片。文件写入“尝试”“失败”“完成”和“被防御阻止”因此不会被一句最终回答混为一谈。诊断规则是确定性的，每条输出结论都附事件证据。
上方统一原生事件，中部选择同一调用链，底部将动作、策略与支持证据汇入诊断卡。
159 次适用执行均形成完整证据包；另一组 120 个经人工裁决的案例上，要求字段与证据同时正确的 GJD 为 0.858，最弱运行时为 0.792。它适合跨框架事件审计，但依赖预设策略、准确插桩和完整生命周期；明确父边不等于数据因果关系，缺失证据应保留为未知，不能自动补成完整攻击链。
05 · REGATTA：测试写得像样，不等于触发了故障
REGATTA: A Cross-Domain Measurement Framework and Fault-Injection Harness for Enterprise AI Agents
Luong Tuan Thanh, Abhijit Sanyal · 2026-10-22
REGATTA 区分设计阶段“场景应该暴露故障”与执行阶段“带故障的 agent 是否实际暴露问题”，结合需求覆盖、行业特异性等形成证据向量。研究用五个行业与辖区组合、四类生成策略、三个模型生成 180 套测试，共 5,400 个场景；每个组合的五项故障一起注入系统提示。
需求与故障清单分别进入两阶段评价；输出是证据向量，不能直接等同部署许可。
历史设计与执行判断约有 31%–34% 不一致，但这不是生产故障率。更关键的是作者审计发现 125 条需求中仅 24 条被列为干净，且这些干净条目仅经 AI 核验；25 项故障有 7 项规则陈述错误。其方法价值在于显式暴露测量分歧，现有规则不能直接用作合规真值；缺少无故障对照，也无法单独归因每个注入的效应。
06 · 虚拟崩溃测试：先说明操作成功需要哪些调用
Procrustes-Bering-Sheaft: Automated Model Discovery and Virtual Crash Tests for Microservices
Anatoly A. Krasnovsky · 2026-10-22
Procrustes–Bering–Sheaft 将部署检查、从 tracing 恢复依赖图与蒙特卡洛故障分析串联，并保留版本化工件供回放。关键细节是“图上可达”未必代表操作成功：推荐接口同时需要两条 catalog 调用，只看连通性会把某些断链误判为可用，显式必需调用谓词才与六种实测状态相符。
部署与轨迹形成模型，外部成功谓词参与可靠性分析，版本化输出支持回放检查。
在副本独立故障概率 0.05、链路存活率 0.995、40,000 次采样及 SLO 0.95 下，将 catalog 从一个副本增至两个，估计可用性从 0.9312 到 0.9799；只增加 recommendation 副本仍不达标。这是声明概率下的模型比较，真实部署没有做副本故障切换验证，也未覆盖排队、饱和与时间性恢复。适合用来筛选配置，再决定实际故障实验。
可用性估计依赖成功谓词是否完整。
07 · 可验证优化：证明相对参考程序等价
Agentic Verified Optimization of Real-World Software
Zhe Ye, Udaya Ghai, Zhizhen Qin, Dawn Song, Soonho Kong · 2026-10-20
系统让编码 agent 联合寻找 Lean 函数的更快实现和等价证明，编译器反馈同时指导改写与证明修补；原参考函数保持固定。AQUEDUCT 则先用多候选迁移、差分测试、模糊测试与修复，把现有软件迁成可优化的 Lean 参考版本。
保持参考函数固定，改写与证明共同迭代，最后分别测量函数与应用性能。
189 个 Verina 函数中，156 个获得更快且通过证明检查的实现，整体几何平均加速 1.851 倍。但应用实验中，相对迁移后的 Lean，51 个场景几何平均加速仅 1.120 倍；相对原语言程序为 0.148 倍，即总体仍更慢。证明保证 Lean 改写相对 Lean 参考的语义，不保证迁移全过程正确，也不覆盖未建模的 I/O 与外部调用。值得看的是证明如何约束优化搜索，而非把函数级峰值当成应用收益。
08 · 行为检测器审计：没有重查，不等于没有恢复
What the Trace Shows and What the Label Says: Auditing Behavioral Detectors in Agent Evaluation
Idunnuoluwa A. Adeniji, Shilpika, Michael E. Papka · 2026-10-21
研究在 GSM8K 算术任务中向计算器返回值注入错误，审计最终答案、显式重查和错误传播三个检测器。每条标签同时保存支持证据、适用性、截断原因及人工修正；模型不用第二次工具调用就改回正确数字时，“没有显式验证”与“已经恢复”可以同时成立。
上方比较不同运行，下方把单条轨迹中的工具错误、后续行为与检测标签放在一起检查。
六个模型各跑 30 题，180 条轨迹中人工检查 90 条。一个 gpt-oss-20b 运行里，17 次故障有 12 次无法确定是否传播；将它们算成未传播会掩盖不可观测性。人工一致性又是在修改检测逻辑并重新检查后计算，不能视为独立留出集准确率。对 AgentOps 最直接的提醒是：完成错误、预算截断和证据不足应使用不同分母与状态。
09 · 从众级联：热度会改变下一轮看见什么
LLM Multi-Agent Systems Are Vulnerable to Herding and Runaway Cascades
Farnoosh Hashemi, Shiyu Ji, Joice Chen, Michael W. Macy · 2026-10-22
作者让 13 个模型群体评价同一组 48 首新生成歌曲的标题与歌词。每个 agent 先选四首再作推荐，后续成员可看到累计推荐数；强影响条件还按热度排序。这把“选哪些候选”和“如何评价候选”连接成反馈回路，agent 之间没有直接聊天。
比较隐藏票数、显示票数、按票数排序三种条件；每次推荐都会改变后来成员的输入。
总计 168,480 个 persona 条件化 agent，所有模型在两种影响条件下都偏离独立评价；12/13 个模型在热度排序后偏离更强。结论支持警惕把共享票数或排名当成中性信息，却不能直接推导代码协作中的失效概率。人类 Music Lab 对照使用不同材料、任务与呈现方式，只能作定性参照；群体偏离也不等于某首歌有客观正确答案。
10 · ScaleMAS：让共享消息可搜索、可追溯
Scaling Multi-Agent Intelligence with Substrate-Centric Coordination
Zhenting Qi, Zhuokai Zhao, Rulin Shao, Kerem Oktar, Zhiyuan Yao, Himabindu Lakkaraju, Wen-tau Yih, Ansong Ni, Bhargavi Paranjape, Yilun Du · 2026-10-12
ScaleMAS 不要求所有成员读取所有消息，而让 agent 发布带引用和理由的持久消息，通过 search 与 visit 按需读取。检索将相关性与会衰减的被引用权重结合，每次最多返回 k 条，限制群体扩张带来的上下文负担；引用必须指向已有内容，并说明贡献。
左侧把协调关系放在 agent 之间，右侧把结构放进共享消息，让成员按需读写。
Qwen3.5-9B 在 BrowseComp-Plus 上从一个扩到 16 个 agent，准确率由 38.1% 升到 65.3%；128-agent 扩展主要测试 FATE-M 与 Contradiction Audit，不能概括为所有任务都持续增长。后者指标只要求报告包含被修改片段，不惩罚额外报告，因此主要说明发现证据的能力。这个设计适合与 Muffin 对照：一个用检索和引用组织长期共享状态，一个用最近发现窗口支持小组异步推理。
11 · PLE：评价工程交付，而不只评价题目答案
PLE: Physical-Engineering’s Last Exam
Rujun Han, Yufan Zhuang, Arijit Ray, Han Yu, Zoey CuiZhu, George Lee, Yifei Ming, Binz Roy, Varun Sakalkar, Vishy Tirumalashetty, Burak Gokturk, Tomas Pfister, Chen-Yu Lee · 2026-10-21
PLE 将任务终点设为工程备忘录、计算工作簿或 CAD/BIM 交付物，输入包含多格式项目材料、旧版本与干扰文件。85 项任务中，44 项由专业工程师编写，41 项经工程师题意、Creator–Solver 管线和专家复核构建；评分结合专家加权规则与可执行约束检查。
联合构建路径从工程师题意开始，创建器与求解器反复检查难度，再交专家验证。
最佳配置 Claude Opus 5.5 配 Claude Code 平均得分 50.6%，按标价每任务 17.18 美元，结果取三次运行平均。50.6% 是任务评分均值，不是有一半工程项目可以无人签署交付。多格式证据整合与物理约束检查值得关注，但评分仍部分依赖 LLM judge，模型与 harness 的组合也会影响结果；专业审批责任并未被基准替代。
对硬约束失败与部分格式得分也应分别看待，不能只凭总分判断交付物是否具备安全使用条件。
12 · DoorDash：清理开关前先查生产目标值
Automating Feature Flag Cleanup at Scale with Multi-Agent LLM Systems: An Industrial Experience at DoorDash
Atharv Chandratre, Jai Datar · 2026-10-22
DoorDash 的清理系统先从实验平台取得 feature flag 的实际 rollout 状态，定位跨文件包装函数与调用点，让工程师确认目标值，再在隔离 worktree 中修改、测试并生成 PR。代码里的默认值可能不是生产采用值，这个外部状态核对比单纯删除条件分支更关键。
先查询 rollout 并由工程师确认，再并行修改；测试、覆盖率与静态检查连接到 PR 输出。
最近 50 个 Kotlin 仓库清理案例中，31 个首次接受、14 个修改后接受、5 个需工程师介入；平均运行 13.8 分钟，API 成本 4.79 美元。90% 可用 PR 比例包含修改后结果，不能写成全自动成功率。复杂调用链最容易漏删；覆盖率门槛由 CI 再检查，因为 agent 会误判自己的覆盖率。样本来自单一公司，人工一至两小时的对照只是内部估计。
13 · SARIA：持久化需要证据，重载需要协调
SARIA: Persistence-Aware KV Caching with Coordinated DRAM–SSD Reload for LLM Agents
Hui Li, Qihui Zhou, Xiao Yan, Shumeng Zhang, Zijie Dai, Zequn Gong, Mingcong Song, Guoping Long, Hongjie Si, James Cheng · 2026-10-22
SARIA 用跨 DRAM 驻留的重复淘汰和复用记录判断何时写 SSD，再以统一前缀元数据协调混合注意力状态。重载时只把部分 SSD 命中状态提升回 DRAM，并让 DRAM 与 GDS 传输共享 GPU 入口带宽，避免全量复制挤掉仍有价值的内存缓存。
左侧维护前缀与存储位置，右下过滤 SSD 写入，上方协调两条重载路径。
WEKA 轨迹、Qwen3.5-9B、淘汰阈值 3 的配置，相对全重复缓存减少 78.2% 写入，却增加 78.4% 平均首 token 延迟；相对只用 DRAM，平均首 token 延迟仍下降约 94.9%。这些不同基线必须并列。阈值能否满足每日写入预算随模型和负载变化，历史重复淘汰只是未来复用的信号，不是命中保证。
它的工程重点是把缓存所在位置、有效前缀边界与传输顺序一起管理，避免单独优化一层却损害整条请求路径。
14 · MoEZip：缓存压缩也要照顾专家路由
MoEZip: Routing-Aware KV Cache Compression for Sparse Mixture-of-Experts LLMs
Minsang Kim, Seungjun Baek · 2026-10-21
MoEZip 关注被压掉的 KV 如何改变 MoE 专家选择。它从指令 token 的路由分布计算 Fisher trace 作为脆弱性代理，再用指令对上下文的注意力把分数传回上下文位置，先保留一部分路由锚点，再由原缓存评分器填满余下预算。总缓存大小与解码流程保持一致。
指令路由脆弱性经注意力映射到上下文，锚点优先占用固定缓存预算。
LongBench 12 项任务与 RULER 13 项任务的比较显示，较强压缩时这种组合通常更能保留任务质量。机制上的新意是把路由稳定性纳入 token 选择，但指令路由只是尚未生成答案的代理；Fisher trace 的推导采用局部扰动假设，不代表真实淘汰扰动的完整分布。文章还区分面向当前查询的锚点与可复用缓存设置，不能把前者收益直接算进跨查询复用。
15 · uGDS：把小 I/O 的控制路径移到用户态
uGDS: A User-Space Development Kit for High-Performance GPU Direct Storage
Jing Wei, Guanyi Chen, Qi Chen, Chuyu Zhang, Zheng Zhou, Chutian Wang, Jian Zhang · 2026-10-22
uGDS 将一次性特权初始化、CPU 用户态 NVMe 队列管理和 SSD–GPU 直接 DMA 分开。运行期绕过系统调用、文件系统与块层，代价是接管原始块设备，应用需自行管理对齐偏移和存储布局；“用户态”不代表完全没有内核辅助或无需设备权限。
初始化通过内核辅助建立映射；运行期由用户态发命令，数据直接在 SSD 与 GPU 间移动。
A100 与 Samsung 990 PRO、关闭 IOMMU 的测试中，两线程 4 KiB 同步写带宽由 GDS 的 161 MiB/s 升至 1003 MiB/s，约 6.23 倍；16 线程、64 KiB 写入时优势缩到 1.38 倍。收益集中于控制开销占主导的小请求，不能外推为整个推理服务同倍率加速。适合已有块分配器的缓存后端，需权衡文件语义、设备独占与 DMA 生命周期管理。
已有文件系统依赖较重的应用，迁移成本也应纳入评估，而非只比较峰值带宽。
16 · OMRC：故障后同时调整集合通信与光网络
OMRC: Multipath Reliability for Direct-Connect Optical Interconnects
Eric Ding, Keshav Pradeep, Rachee Singh · 2026-10-22
直连光网络不同平面的路径长度并不相同，简单绕路会增加转发；某个通信组失去全部平面时还可能停顿。OMRC 在组仍连通时重映射集合通信通道，必要时重新配置 OCS，将其他组的平面转给失联组，再重建路径。
控制器更新拓扑和通道；流程先判断连通性，再选择重配置、重映射或继续绕路。
四张 L40、Polatis OCS 与 Qwen1.5-MoE 的实验中，训练链路故障期间吞吐比 MRC 高 5.3%；分离式推理失去唯一 TP 平面后，恢复到故障前吞吐的 99.3%，而 MRC 停顿。更大的 4.74 倍来自 64-rank 多故障模拟，不能当成实机吞吐。原型以软件模拟多路径转发，工程收益依赖光拓扑、可借用平面与重配置边界。
借出平面会改变另一通信组的资源，所以恢复一组连通性仍需检查整体作业的代价。
17 · LLVMhammer：结果正确也可能掩盖推理减速
Amplifying Latency and Cost of LLM Inference via Rowhammer Attack
Mrityunjay Shukla, Shubham Roy, Biswabandan Panda · 2026-10-22
LLVMhammer 将完整性风险指向 CPU 内存中的 Triton 编译器：位翻转可能让它生成仍然正确、却丢失向量化等优化的 GPU 内核，缓存又会延续这种性能损失。论文按公共编译阶段、生成代码变化、输出正确性与减速表现逐步筛选候选，强调跨 NVIDIA 与 AMD 后端的共同控制路径。
图中风险经过 CPU 侧编译器进入缓存的 GPU 内核，最终表现为服务性能变化。
实验覆盖四个约 7B–8B 模型、RTX 4090 与 RX 7900 XTX，每种模型和 GPU 组合重复 30 次。对运维的启发是，答案检查之外还需关注编译工件与延迟异常；但威胁模型要求共享物理主机上的恶意租户、易受 Rowhammer 影响的 DRAM 及可定位受害页面的条件。实测平台为 DDR3/DDR4，不能据此说所有现代服务器都可被同样攻击。
18 · DCIGSE：将输入生成与交错验证解耦
Breaking the Coupling: Efficient Concurrency Fuzzing for Linux Kernel Data Race Detection
Cen Zhang, Jia-Ju Bai, Zi-Yu Zhang, Zuming Jiang · 2026-10-22
DCIGSE 用一条流水线生成有语义联系的并发 syscall 组，另一条流水线恢复历史上下文并针对候选冲突安排线程交错。LLM 变异与快速传统变异并行，候选队列按下游积压调整准入阈值，减少输入探索被昂贵调度拖住的时间。
快速变异与 LLM 变异共同生成输入，执行后只把有价值的冲突候选送入调度队列。
Linux 6.17 八个模块的三周测试发现 187 个去重数据竞争，作者判断 59 个有害；写作时维护者确认 39 个，其中 15 个修复。这些分母不同，不能把所有发现都称为确认漏洞。方法把语义生成、可重放状态与定向验证连接起来，但依赖模块插桩、可恢复上下文和测试预算；有限模块上的发现数量不等于全内核检出率。