VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent Reinforcement Learning 精读

论文链接：VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent Reinforcement Learning 发表时间：2026年8月 机构：清华大学（第一作者单位，通讯作者亦在清华）+ 西安交通大学 + 嘉兴南湖大学。纯高校合作，无企业参与。 领域标签：cs.LG，智能体强化学习、信用分配

一、论文背景

三个层层递进的概念构成本文的认知地基。

长时程智能体 RL 是什么？ 大模型越来越多地被训练成智能体：与环境多轮交互、调用工具、观察反馈，成与败取决于一整串决策而非单次回答。强化学习是自然选择，因为很多任务提供可程序化验证的结果奖励（代码过不过测试、订单改得对不对），而 RLOO、GRPO 这类组相对方法不需要学习一个价值网络（critic），直接在 rollout 组内估计优势，让这种训练在实践中变得可行。

信用分配问题是什么？ 这是 RL 的经典难题在 LLM 智能体上的复活：一条轨迹几十步，只有最后几步真正决定成败，但稀疏的终端奖励通常被广播给轨迹中每个动作。论文点得更狠：问题不只是奖励稀疏，而是终端结果抹去了轨迹成功或失败的原因。一条失败的购物轨迹，可能前 10 步搜索都是对的、只是最后一步买错了商品——广播式信用分配会把负奖励平等洒在所有动作上，模型学到的是『这整条轨迹都不好』，而不是『搜索对、买单错』。

现有解法与它们的盲区。近一年涌现的方法都在 rollout 侧做文章：GiGPO 从重复出现的环境状态间构造对比；SALT 用轨迹图区分共享步与分歧步；ProxMO 用语义邻近替代硬状态分组；HCAPO 靠事后推理估计动作效用；树/分支方法从共享前缀或不确定决策点采样续延来暴露局部偏好。它们有效，但论文指出共同软肋：都是从 rollout 侧的代理信号重建动作重要性，而实际判定任务成败的那条规则——验证器——基本游离在信用分配机制之外。状态相似可能漏掉验证器关心的历史、可能把任务关键事实不同的状态混为一谈；事后反馈依赖辅助判断；分支采样用额外采样成本换信息。而奖励塑形、奖励机、回报分解这些经典工作早已证明奖励内部结构有用——论文的关键观察是：这个结构不需要发明，它本来就存在于终端验证器里，只是标准 RL 接口把所有检查折叠成一个数字丢掉了。

于是引出本文的中央问题：终端验证器能不能不只当结果神谕，而是当训练期的信用追踪器？

二、论文定位和关联工作

论文在三条谱系中给自己找到了一个此前空缺的位置。

谱系一：LLM 智能体 RL 的优化基础。从 ReAct/Toolformer 式的提示与模仿，到 RLOO/GRPO 免 critic 的组相对优化，再到 web、具身、搜索、工具使用、应用控制等场景的 RL 应用。这条线解决了『能不能训』，VICT 完全兼容它——保持组优化设定，只改训练期优势张量。

谱系二：稀疏结果奖励下的信用分配（最直接的竞品）：

• GiGPO（2025）：从重复环境状态构造动作对比单元。
• SALT（2026）：轨迹图区分共享与分歧步骤。
• ProxMO（2026）：用语义邻近替代硬状态分组。
• HCAPO（2026）：事后推理估计动作效用。
• 分支方法（Tree search、ARPO、BranPO、SPARK 等）：改 rollout 分布而非信用规则，从共享前缀采样续延。

VICT 的定位是这些方法的正交互补：监督来源不同（验证器结构 vs rollout 代理信号），且实验证明可叠加（GiGPO+VICT、SALT+VICT 均超过各自单飞）。

谱系三：结构化验证器监督与 rubric 评估。回报重分配（RUDDER）、势函数塑形（Ng et al.）、奖励机、奖励分解证明暴露奖励结构有利学习；过程监督/PRM 提供步级反馈但要标注或学一个奖励模型；rubric 类方法把整体判断拆成可解释维度当优化信号，但自然语言的原子分解在准则不可执行、无证据支撑时并不可靠。VICT 的关键克制在于：不引入新的进度奖励或奖励模型，只对既有的程序化验证器做受约束的插桩——原子必须可执行或有证据支撑、必须能重构终端验证器、必须经证明边挂到动作上。

定位结论：VICT 是首个把终端验证器从『结果神谕』改造成『训练期信用追踪器』的框架，核心主张是信用分配的信息源应该从『推断动作重要』换成『追踪结果如何被验证器产生』。

三、问题定义

具体场景：训练一个在 ALFWorld 做家务、在 WebShop 购物、在 τ-bench 处理客服工单的智能体，成功与否由程序化验证器 V_x 打分。

核心洞察：论文发现的深层结构相似性是——程序化验证器本身就是一张关于『成功需要哪些事实』的声明清单。它检查目标对象、状态变更、禁止操作、观察到的证据、最终提交——每条检查（原子）都可能在轨迹中找到『谁写了这个状态、谁揭示了这个证据、谁做了这次提交、谁触发了违例』。验证器打分的过程天然构成一张从动作到检查项的证明图，只是标准接口不把它暴露出来。

类比深度学习：这相当于把验证器从黑盒损失函数变成一个可微分计算图——GRPO 只能对最终标量做组归一化，就像只能对 loss 做全局学习率；VICT 暴露内部检查项并回溯到动作，相当于拿到了逐参数的梯度路径。

形式化定义：给定任务 x、rollout τ_i = (h_{i,0}, a_{i,0}, …, h_{i,T_i})、终端分 R_i = V_x(τ_i)，标准做法把任务级基础优势 A_base_i 广播给所有动作。VICT 构造验证器派生的信用追踪 Γ_i = (z_i, G_i, C*_i, P_i)：z_i 是时间化的原子状态轨迹（每个原子取值 ∈ {sat, unsat, unk, viol}），G_i 是动作到原子的证明图，C*_i 是依赖闭包的核心原子集，P_i 存证明记录。目标是仅沿证明边重分配组相对优势，约束是保留原始终端奖励、证据不完整时弃权、不训 critic、不要过程标签、不加分支 rollout、推理期不暴露验证器原子。

这个抽象的精妙之处有三：其一，它把『发明中间奖励』换成『暴露既有验证器的结构』，避免了塑形奖励引入偏置的经典风险；其二，『资格保证而非因果证明』的谦逊定位（命题一只保证每次非零修正背后有完整证明链，不声称该动作因果必要）让方法在冗余/相关支撑存在时仍可审计；其三，改动面收敛到训练期一个优势张量，与任何暴露动作级优势与 rollout 级结果分量的方法可组合。

四、问题解法

VICT 的流水线四步：插桩验证器 → 构造证明图 → 找依赖核心 → 修正优势。

4.1 验证器插桩：把打分器拆成原子

每个任务实例的验证器被表示为一组组件：

• 原子：可执行的检查项，带类型化状态 ∈ {sat, unsat, unk, viol}。原子模式里存稳定 id、可执行谓词、可评估条件、依赖元数据、状态/证据变量、不可逆标志、得分角色与审计来源——自然语言描述只是检查用元数据，可执行谓词才是事实来源，这让原子分解比自然语言 rubric 严格得多。
• 聚合器 F_x：把终端原子赋值映射为验证器分数。
• 依赖规则 D_x：编码原子间的有效组合（例如『字段更新被允许』依赖『确认已获得』），要求依赖闭包确定性，否则相关原子不用于信用。
• 证据绑定 M_x 与提取器 Φ_x：把原子链到状态/证据变量，从日志里提取可观测证据。
• 提交谓词 C_x：识别终局性动作（购买、答案提交、数据库更新、物品放置）。

插桩分三级：Level 0 从暴露的终态/目标态差异造原子（字段相等、记录存在、禁止未被修改），成本低；Level 1 插桩显式的验证器分支、断言、策略检查或得分项（真值可从轨迹/终态/日志重算）；Level 2 用小型确定性适配器暴露验证器相关元数据。实测成本：适配器 118-238 行代码、6.5-11.5 人时，训练开销 11.9%-16.7%。

一致性门（conformance gate）：接口必须先通过审查——在验证 rollout 与验证器相关变异的集合上，聚合器输出与原验证器的最大误差 ε_conf ≤ η（精确验证器 η=0）。失败的任务或原子族被屏蔽或弃权。这保证了信用接口重构的是原验证器而非某个平行的 rubric。

4.2 证明图：四类见证谓词

对合格接口，VICT 评估每步的原子状态并构造 G_i = (A_i, Z_i, E_i)。边只在见证谓词认证时创建：

见证必须从记录的历史、提取的证据与验证器元数据计算，不得来自学习到的相关性模型。没有可靠写入者或提交动作的纯终端原子不建边——未支撑的归因当作缺失信息处理。

4.3 依赖核心：哪些原子真正要紧

证明图决定信用能流向哪里，但不决定一个原子对终端分数多重要。VICT 不引入独立的成败启发式，而是复用底优化器的组归一化基础优势符号 q_i = sign(A_base_i)（带平局边际，平局即弃权）：正号 rollout 找成功核心（移除会降低分数的原子集），负号 rollout 找纠正核心（修复会提升分数的原子集）。用验证器位移 Δ_x(C) = q_i·[F_x(z̄_i) − F_x(cf)] 度量——反事实是对验证器赋值的编辑，不是新的环境 rollout。预算贪心搜索在预算 B 内找到位移超阈值的紧凑依赖闭包核心 C*_i；找不到、超预算、或位移落在一致性不确定带内就弃权。核心原子获得留一边际，核心外原子边际为零。在每域 2000 条符号支撑 rollout 上，贪心搜索 91.8%-97.6% 的情况下返回最小基数有效核心。

4.4 证明边约束的优势修正

核心边际在同任务 rollout 组内做鲁棒归一化（中位数缩放），只在原子同时具备核心成员资格与证明支撑时使用。修正经证明图分配：A_VICT_{i,t} = Σ_{j∈C*} δ̂_{i,j}·ω_{i,t,j}/Z_{i,j}，其中 ω 是该动作-原子对上各见证关系的权重和（直接见证权重 1，证据路径权重在支撑路径上均分）——没有见证边连接的动作 ω=0，天然稀疏。最终优势保留结果锚并只加裁剪修正：

A_final_{i,t} = A_base_i + λ·clip(A_VICT_{i,t}, −c, c)

命题一（资格健全性）保证：任何非零修正必然同时满足接口在容差内重构终端验证器、原子属于依赖有效核心、存在观测到的证明边、原子边际非零、证明记录满足依赖约束。与 rollout 侧方法组合时按其尺度校准 λ 后叠加。三次种子均值报告，每个非零修正记录动作、原子、见证、证据来源、核心边际、权重与所赋修正——完全可审计。

三个关键设计不可不提：终端奖励是锚不是替代（修正被裁剪、幅度校准到基础优势尺度）；弃权是特性（八类弃权原因被分别记录，WebShop 最常见的是产品证据歧义、τ-bench 是缺失确认见证）；推理期零痕迹（rollout 采集与推理行为完全不变，原子不进策略提示）。

五、评估指标与实验证据

指标体系分四层：

• 主指标：ALFWorld 六类任务平均成功率、WebShop 归一化分数与严格成功率（一个硬属性错或过早购买即失败）、τ-bench Retail/Airline pass@1。
• 效率指标：同等 300 更新预算下的验证曲线 AUC（样本效率）。
• 消融/负对照：稠密原子奖励、仅提交信用、时间邻近信用、随机证明边安慰剂、去核心、去证明边。
• 接口诊断：重构一致率、变异一致率、资格不变量通过率、证明覆盖率、弃权率，加上触发率、稀疏度、核心大小、预算命中率与运行时开销。

主结果：

1.5B 上超 GRPO +18.2 / +24.9；7B 上 +16.1 / +17.5，且在两个尺度上都超过最强细粒度基线（7B ALFWorld 超 HCAPO 的 91.4 达 93.7，WebShop 超 SALT 的 76.2 达 83.6）。收益集中在验证器暴露延迟或提交敏感事实的任务类型：ALFWorld 的 Look/Cool/Pick2（观测与变换易被覆写）、WebShop 的最终购买正确性。τ-bench 上（Qwen3-8B，Fission-GRPO 协议）VICT 达 56.6/45.1 pass@1，超 Fission-GRPO 的 51.3/40.0——作者谨慎地标注这是不同骨干与协议下的补充性证据。

叠加实验：GiGPO+VICT 94.6 / 84.7、HCAPO+VICT 94.3、SALT+VICT 85.2——每个组合都超过两个单飞，验证器侧与 rollout 侧信用源正交。

消融链（7B，从完整 VICT 的下降点数）：

• 换回纯 GRPO：-16.1 / -17.5（基线差距）。
• 随机证明边安慰剂（保持被记功动作数量不变、只在组内置换边）：-14.3 / -16.3——这是最锋利的对照，它证明收益不是来自『多记了几个动作的功劳』，而是来自边的正确性。
• 仅提交信用：-7.6 / -8.2；时间邻近信用：-8.2 / -7.1——只给终局动作记账、或按时间就近摊派都不够。
• 稠密原子奖励：-5.1 / -5.4——单纯暴露中间事实做稠密奖励也解释不了全部。
• 去依赖核心：-3.3 / -3.5；去证明边：-4.5 / -4.9——两个机制各有独立贡献。

接口诊断（策略更新前审查）：重构一致率 99.7-100%，变异一致率 98.6-100%，资格不变量通过率 100%，证明覆盖率 84.9-92.4%，弃权率 8.1-15.8%，原子数 5.8-11.2 个/实例。信用行为诊断：触发率 49.5-61.8%（有非零修正的 rollout 占比），稀疏度 11.7-18.6%（动作级），核心大小 2.9-5.1，预算命中率 1.4-5.6%。

人工与干预审计：两位标注者对每域 150 条被记功证明边分类，Cohen’s κ=0.81；ALFWorld 中 134/150 载重、WebShop 129/150 载重。另在 60 个被记功动作上做固定续延干预（替换为 no-op），ALFWorld 55/60、WebShop 52/60 降低终端分。

实验设计为何能证明论点：随机证明边安慰剂与稠密原子奖励这两个负对照是关键——前者控制了稀疏性本身（记功动作数不变），后者控制了『暴露验证器事实』本身（原子与证据提取器复用、只改信用规则）。两者都大幅退化，说明收益确实来自『验证器相关性 + 观测到的证据 + 组归一化修正』三者的组合，而非任何单一成分。

六、效果优势的根源解释

对比对象：GRPO 式广播信用为什么不够？ 它的组相对设计解决了『无需 critic 估计基线』的问题，但优势仍是轨迹级标量。在长时程交互里，这导致一个结构性困境：失败轨迹中的优质动作（正确搜索、正确拿取）与致命动作（错误提交）拿到同一个负优势——梯度在惩罚失败的同时惩罚了正确行为，策略学到的不是『别犯那个错』而是『别做这类轨迹』。这不是实现问题，而是标量反馈的信息瓶颈：一个比特的成败信号无法区分轨迹内部的对错结构。

VICT 的根本性改变：信用来源从『重建动作重要性』变为『追踪结果如何被验证器产生』。因果链逐环可验：

1. 验证器插桩暴露原子与依赖 → 成败被分解为可定位的具体事实（WebShop 的类别匹配、硬属性、预算、提交；τ-bench 的确认前置、字段更新、禁止字段未动）。
2. 见证谓词把原子挂到动作 → 失败轨迹中『错误提交前的搜证/改状态动作』经证明边获得正向修正，而错误提交本身获得负向违例信用——同一失败轨迹内部首次出现符号分化。
3. 组归一化 + 裁剪锚定 → 修正不喧宾夺主，终端奖励仍是优化方向的主定义者。
4. 行为层变化（论文的定性观察直接对应）：WebShop 智能体学会延迟购买直到硬属性与选项被观察（而非首个语义相近结果就下单）；ALFWorld 智能体更可靠地保住中间成就（变换前先拿对物品）；τ-bench 智能体学会先请求缺失确认再改库、避免无关数据库写入。
5. 指标层：WebShop 严格成功 +17.5，收益集中在提交敏感型任务——正是证明边能区分『搜证对/提交错』的那类任务。

反事实推理：去掉证明边（时间邻近摊派）掉 4.5-4.9，说明『信用必须沿验证器认证的路径流动』而非『离结果近的动作多拿功劳』；随机置换证明边掉 14.3-16.3，几乎抹平全部增益，说明边的语义正确性是收益的必要条件；去依赖核心掉 3.3-3.5，说明『只记真正影响分数的原子』防止了把所有满足的事实都当功劳稀释信号。附录的 WebShop 案例是最好的微观例证：一条买错商品（选项对、类别错）的失败轨迹，选色选尺动作保留正修正，buy now 吃负提交信用——GRPO 会把这条轨迹整体标记为坏，VICT 把它拆成了『对的证据收集 + 错的终局』。

对叠加增益的解释：rollout 侧方法利用的是轨迹间对比信息（哪些状态值得重访、哪些步造成分歧），VICT 利用的是任务定义内部的结构信息——两者信息源正交，故组合超过各自单飞。这也反过来支持论文的核心论断：验证器结构是一条此前未被开发的信息通道。

诚实的边界：论文明确不声称因果必要性——证明边认证的是『验证器定义的资格』，冗余或相关的支撑也可能记功（人工审计中每域约 6-7 条冗余/相关边）；见证映射错误可能逃过一致性测试；且它不提供势函数塑形的策略不变性保证，只是操作层面裁剪、弃权、全量记录。这些坦白本身就是方法论严谨性的一部分。

七、必要知识反推

假设一个零知识的人要完成这项工作，最少必须掌握：

领域知识层：

• 长时程智能体任务的失效结构：失败不是均匀的，搜证、改状态、提交、违例四类动作对成败的贡献性质不同。不理解这点就无法定义有意义的见证类型学。
• 程序化验证器的解剖：终态检查、分支断言、策略前置、得分聚合——知道验证器长什么样才能想到把它拆成原子。
• ALFWorld/WebShop/τ-bench 三个环境的验证器实现细节（模拟器状态差分、商品页证据、API 日志与数据库差分），否则三级插桩无从落地。

方法论知识层：

• 组相对策略优化（GRPO/RLOO）的机制与优势归一化，这是『只改优势张量』改造的宿主。
• 信用分配的经典谱系：回报分解（RUDDER）、势函数塑形与策略不变性、奖励机、过程监督/PRM——既要知道这些前人的结构化思想，又要明白它们为何（需要标注/学习模型/新奖励）不满足免标注免 critic 的约束。
• 因果推断的谦逊表述：资格（eligibility）与因果必然性的区分、留一边际、反事实作为『验证器赋值编辑』而非新 rollout——这套概念框架保证了方法主张的可辩护性。
• 鲁棒统计（中位数缩放归一化）用于组内边际标准化。

工程知识层：

• 确定性适配器编写与验证：118-238 行代码如何从日志/状态差分/观测中提取证据，以及如何用变异测试审计一致性。
• 依赖闭包的最小不动点实现与预算贪心搜索（含后向删除），并保证重复搜索位级一致（不引入随机性）。
• 训练管线集成：证明图构建 6.8%-13.2%、核心搜索 4.2%-8.0% 的开销控制；每非零修正的全量日志记录。

知识融合的关键节点：

1. 『验证器即信用源』的视角翻转：需要同时深入理解 RL 接口（奖励是一个数字）与软件测试实践（验证器内部是一堆断言），在『把断言变成原子、把状态差分变成见证』这个节点上融合两个领域——这是全文的创造性核心。
2. 『复用底优化器符号』的克制设计：不另造成败启发式，而是用 A_base 的符号定义成功/纠正核心——需要同时理解组相对优化与反事实核心搜索，在『同一信号两种用途』上融合，避免引入新的偏差源。
3. 『弃权即安全』的可靠性思维：把分布式系统里『失败要显式』的原则迁移到信用分配——八类弃权原因分别记录、纯终端原子不建边、不确定带内弃权。这融合了机器学习与安全关键系统工程的思想。

八、论文中可以提取的通用性灵感

灵感 1：评分器内部的结构是被浪费的监督信号。 核心思想：任何以程序化规则判定成败的系统，其规则本身就是一份关于『哪些中间事实重要』的声明清单，可以直接作为细粒度训练信号，而不必额外发明过程奖励。 论文证据：验证器原子化后，仅沿证明边修正优势即带来 WebShop 严格成功 +17.5；稠密原子奖励（同样暴露事实但不做证明约束）只得 +5.4 的部分收益。 推广场景：代码生成把测试断言逐条挂到生成步骤；数学证明把检查器子句回溯到推理分支；游戏 AI 把胜负条件（资源、位置、存活）拆成原子关联到策略动作；自动驾驶仿真把碰撞/车道/信号灯检查分别归因到规划段。

灵感 2：可审计性可以成为学习算法的一等公民。 核心思想：让每个非零梯度修正携带完整证明链（哪个动作、哪条规则、什么证据、多大边际），学习过程从黑盒变成可回溯日志。 论文证据：命题一保证非零修正必有五重资格条件；人工审计 300 条证明边中约 86-89% 为载重边，κ=0.81。 推广场景：RAG 系统记录每条引用对最终答案的贡献路径；推荐系统记录每个排序信号的特征来源；医疗诊断模型输出每项判断对应的检查证据；金融风控模型为每笔拒贷输出触发的规则原子。

灵感 3：证据不足时弃权优于猜测。 核心思想：在不确定时把修正归零、回退默认行为，比强行给出可能错误的细粒度信号更安全——『不作为』应该是一个显式设计的输出。 论文证据：八类弃权原因分别记录（WebShop 最常见为产品证据歧义占 11.6%，τ-bench 为缺失确认见证占 14-16%），弃权时安全回退到 A_base，与 GRPO 行为一致。 推广场景：LLM 工具调用在参数证据不足时返回澄清问题而非猜测参数；自动驾驶感知在遮挡时降级为保守规划而非补全幻觉；医学影像 AI 对质量不足的片子输出『建议重拍』而非低置信诊断；数据管道在血缘不明时阻断传播而非默认放行。

灵感 4：用正交信息源的叠加逼近完整监督。 核心思想：当单一信号（结果奖励）信息量不足时，优先寻找与现有信号正交的信息通道（如验证器结构）做有界叠加，而非在原通道上加大力度。 论文证据：GiGPO+VICT 94.6、SALT+VICT 85.2，每个组合都超过两个单飞——rollout 侧对比信息与验证器侧结构信息互补。 推广场景：搜索智能体同时用点击反馈（行为信号）与页面结构（内容信号）；代码补全同时用编译反馈（结果）与 AST 路径（结构）；教育 AI 同时用答题正确率（结果）与解题步骤图（过程）；机器人同时用任务成败（结果）与传感器事件流（结构）。

灵感 5：负对照设计是归因严谨性的试金石。 核心思想：要证明方法收益来自核心机制，需要控制所有『廉价替代解释』——保持受益者数量不变只打乱对应关系（安慰剂）、保持信息暴露只改使用规则。 论文证据：随机证明边安慰剂（记功动作数不变、仅置换边）掉 14.3-16.3，稠密原子奖励（同样暴露原子、只改信用规则）掉 5.1-5.4——两者合力排除了稀疏性与信息暴露两个简单解释。 推广场景：药物试验的安慰剂与剂量对照；教育方法的『同样时长普通练习』对照；推荐算法消融中保持曝光量只改排序的对照；组织管理中『同样激励总额不同分配规则』的对照。

灵感 6：对学习信号做『锚 + 有界修正』，防止辅助信号劫持优化。 核心思想：引入任何新的辅助学习信号时，保留原始目标为锚、对辅助分量做尺度校准与裁剪，使其只能修正而不能主导优化方向。 论文证据：A_final = A_base + λ·clip(A_VICT, −c, c)，λ 按基础优势中位数校准（默认 γ_λ=0.5），裁剪界取 |A_base| 的 95 分位——修正再大也翻不了盘。 推广场景：RLHF 中奖励模型分数相对人类偏好锚的有界混合；多任务学习的辅助损失加权与梯度裁剪；课程学习中难度信号对主损失的调制；在线学习中新特征相对历史模型的保守更新。

附录：一条失败轨迹的两种命运

以论文附录 F.2 的 WebShop 案例收尾：指令要求买涤棉、弹力腰、特定版型的礼服衬衫，预算 40 美元。智能体搜索后点击了一件 T 恤商品，选对了颜色 b-blue 与尺码 xx-large，然后点了 buy now——商品页价格达标、选项齐全，但标题与页面证据不支持礼服衬衫、材质与版型要求。GRPO 的处理：整条轨迹负优势，搜索、选色、选尺、买单一起挨罚。VICT 的处理：选色/选尺是原子满足的直接写入（正修正），搜索处于证据揭示路径（小幅正），buy now 是核心原子（product_type_tuxedo=unsat）缺失下的提交（负违例信用）。下一条同类任务，前者学到的是笼统回避，后者学到的是『选项对了还不够，硬属性证据齐了才能买』——这正是延迟购买行为在实验中被观察到的微观机制。