生物医学智能体的答案对了，证据却可能换了：BioAgent-DF 在原始坐标还原工具数值，追回被静默改写的引用
核心概要
BioAgent-DF 把同一科学计算位置上保存的参考值与候选值在原始坐标互换，再让生物医学智能体在健康硬件上继续运行，用来审计数值故障是否改变了它读什么、引什么。在 SciFact 的八个批次中，Qwen3.5-4B 有三个捕获–论断组合稳定改变引用，Gemma 3 4B IT 有四个组合稳定改变阅读与引用，共覆盖两个论断；完整还原能恢复参考证据集而结论不变。在 hERG 心脏安全性筛选中，静默数值故障改变了测试分配，而固定预算的候选清单仍保持同样数量的标记阻断剂。
深度剖析
生物医学智能体可以在给出同一结论的同时读取和引用不同证据，因此只审计最终答案会漏掉证据路径上的变化。 此前的做法把智能体的最终判定当作可审计的结果，而同一论断下的两次执行可能选中不同文档或引用不同句子。 在 SciFact 的八个批次中，Qwen3.5-4B 在三个捕获–论断组合上重复出现引用变化，Gemma 3 4B IT 在四个组合上重复出现阅读与引用变化，这七个组合只覆盖两个论断。
把保存的参考值放回原始坐标，就能让智能体回到参考执行的阅读与引用路径。 候选值与参考值保存在同一科学计算位置，形状、坐标索引和表示一致，差别只记录为残差。 完整还原在每一个确认组合中都恢复了参考的阅读与引用集合，而结论保持不变；在显式示例提示下，完整还原在 Qwen 的九个组和 Gemma 的十五个组中都与参考一致。
在 hERG 心脏安全性筛选的测试分配中，数值故障会改变哪些化合物进入测试，而汇总指标看不出这一变化。 固定预算的候选清单在故障前后保持同样数量的标记阻断剂，但被分配到膜片钳测试或直接推进的化合物发生了改变。 在 2,009 个内部留出化合物上，Case 2 的八个来源中有六个改变了测试分配；智能体读过故障预测之后，替换预测文件没有恢复任何一项改变的决定，而恢复读取前保存的执行状态并继续使用重算分数恢复了全部 39 项。
启示与展望
演示范围是 SciFact 文献论断验证与 hERG 化合物筛选两类任务，数值故障取自两类故障 GPU 上捕获的有限输出，智能体在健康硬件上重放这些数值；hERG 的恢复实验在本地提交记录上完成，尚未在真实自动化实验室中执行。
稳定复现的证据路径变化只覆盖两个论断和两个 4B 模型，且来自按上游检索变化挑选的 Case 2 捕获；不做这种挑选时，候选值造成的差异不高于健康重复之间的波动。hERG 中 R1+M 的边距阈值取自回顾性来源的最大残差，属于经验恢复规则，认证部署需要有效的逐分数误差界或回退到可信全量重算。