结论
独立研究者公开的预印本《The Delegation Blind Spot》提出面向产品决策的审计方法，并以冻结计算实验检验智能体选择能否支撑未来产品改进判断。作者报告，在4,800次请求的两快照对照中，36个保守主区间全部未决，即使两模型执行准确率不同；2,400次显式偏好收据仅在每模型9组对比中解决3组，而确定性解析器达7/9。以下数字均为作者自报，尚未经过同行评审与独立复现，不应视为普遍或已确立的事实。
研究状态与对象
该工作状态为预印本，arXiv首次提交为UTC 2026年9月22日16时15分55秒，对应Asia/Shanghai 2026年9月23日0时15分55秒，属于当日窗口内首次公开；arXiv当日新列表标注为Wednesday, 23 September 2026。责任主体为Independent Research，署名作者为Shivam Gupta。正文首页标注20 September 2026为作者版本日期，公开时间以arXiv提交历史为准。研究对象是委托场景下的决策可识别性：智能体成功执行预定任务，是否足以识别用户会从哪种未来产品改进中获益。实验使用合成任务与合成偏好，不含人类参与者与真实客户结果。
方法与评估条件
审计方法将已声明的观测通道与产品价值对比映射为相容区间与见证群体。作者以通道矩阵A刻画智能体、界面与任务分布如何把潜在意图分布p映射为可观测行动分布q，以价值差异向量d定义两种未来变体的用户结果对比，目标为d转置p；通过线性规划求相容集上的下界L与上界U，区间跨零即存在支持相反决策的见证群体，并给出定理化的识别条件与最小决策损失。计算实验为事前冻结设计，无工具调用与自适应改写：调用GPT-5.4 Mini与GPT-5.4 Nano两个2026年3月17日固定快照，在旅行、云套餐与工作流软件三类同构合成任务上交错请求；每任务4个选项、3种上下文机制并随机排序，4类意图采用显式数值权重与非补偿最小属性惩罚，模型在严格输出模式下只选选项编号。校准集每意图类80任务，三个 field 队列每队列160任务，类混合分别为正向、负向与接近三组，每模型2,400次、合计4,800次。对比两种已声明日志：仅记录所选语义产品类型，以及类型联同上下文机制，均省略完整连续菜单信息。主区间取校准与 field 误差各0.02，在所述假设下每对比至少96%边际覆盖；次级结果纳入有限结果库抽样不确定性后为95%，作者明确非跨条件联合保证。后续冻结追问要求智能体报告输入中已给出的四权重最大值，复用相同任务编号作等量基线，每模型新增1,200次；另以确定性解析器与14,400次受控多项模拟分离结构模糊、弱识别与有限校准精度。
数据范围与主要结果
作者报告的范围限于上述合成体系与两快照：一、主实验36个保守主区间全部未决，作者将其解释为执行准确率差异不解决观测通道对特定产品对比的信息不足。二、显式偏好收据在每模型9组域与队列对比中解决3组，作者称其在构造问题上有用，但强调该收据复用仅12种不同提示且可由确定性解析直接恢复，不证明语言模型推断私有偏好的能力，也不等同被动日志改进。三、确定性提取器在同等9组中解决7组且无需模型调用与校准观测，作者将其解释为模型生成报告引入了不必要的额外不确定性。四、受控模拟显示，即使确切观测已知，结构模糊仍可使区间保持跨零，增加样本不能消除，需更换观测或直接结果反馈。作者同时提出带来源标注的决策收据与离线查看器作为工程载体，但其商业价值与市场普遍性不在本次验证范围内。
局限与待验证事项
第一，该工作为预印本，未经同行评审，全部区间、覆盖率与成功率均为作者在特定假设下的自报结果，需独立复现。第二，验证限合成效用目标与有限结果库，未来对比假设最优选择且未测量真实效用，不能外推为真实客户价值、采纳率或财务回报。第三，仅检验GPT-5.4 Mini与Nano的两个固定快照与两种粗粒度日志，未验证其他模型家族、真实菜单、连续观测或更丰富上下文，粗细日志的有限样本宽度也不具单调排序保证。第四，覆盖结论以矩形不确定性建模正确、独立同分布抽样与τ覆盖校准漂移为前提，未知类别与通道漂移不在自动覆盖内；追问设计在主结果后选定并复用原 field 抽样，其固定设计边际解释需谨慎。第五，代码、原始 provenance 与离线查看器虽声称随附，但可用性、随机流重放与求解器见证校验仍待第三方实际运行确认。
潜在意义
编辑解释：如果后续独立复现成立，该工作的意义在于把智能体评估从执行成功率转向决策信息充分性，提醒团队在扩大遥测前先诊断未决源于结构模糊还是样本不足，并保留决策相关的结构化输入与探测标记。但在当前证据下，读者应将其视为特定合成任务与特定通道下的作者结论，而非机构宣传或行业普遍结论，选型前需在自身任务、观测设计与成本约束下复测区间宽度与收据有效性。