IntentFlux 把“用户改主意”变成可测失败模式：627 例校准中任务分从 0.476 降到 0.384，StateForge 在 General-Test 上把均分从 0.367 提到 0.467
核心概要
该工作提出 IntentFlux 基准，把可验证任务改写成带受控意图变更（Variant 替换、Decoy 撤回）的多轮对话并保留原评分器，在 627 例校准中观察到均分随被取代与撤回信息增多从 0.476 降至 0.384，八个模型在演化对话下的全对率均低于单轮直给；作者进一步提出 StateForge，在生成前显式维护活跃需求状态，使 General-Test 均分从 0.367 提升到 0.467，并显示即使注入真值最终状态仍无法回到单轮水平。
深度剖析
IntentFlux 把“意图漂移”定义为被取代的旧意图仍影响最终答案或工具动作，并把它做成可执行、可评分的基准：把代码、数学、SQL、数据到文本、摘要与工具调用等可验证源任务改写成受控多轮对话，同时保留原任务的评分器。 此前的多轮评测（如分片指令、演化意图评测）能测“是否最终跟随演化任务”，但不区分“旧意图残留影响结果”与其他多轮错误；IntentFlux 通过 Variant（后被替换的合理备选值）与 Decoy（后被撤回的合理约束，且仅在遵守它会改变源评分器判定时才保留）让陈旧意图的使用直接体现在任务成败上。 627 例 General 校准池、125 例固定 General-Test、100 例 Interactive-Test 与 502 例训练池；人工标注校验 Variant、Decoy 与语义依赖，下游审计在 95% 的 General-Test 上恢复出标注的最终意图。
在受控陈旧信息负荷下，任务表现单调下降：均分从 easy 的 0.476 降到 hard 的 0.384，全对率 CAR 从 0.381 降到 0.298；八个被测模型在演化对话条件下的全对率都低于单轮直给，且各难度层均如此。 该结果把“用户改主意”从定性担忧变成可复现的难度响应曲线，并用配对设计（同一源任务、同一最终意图、同一评分器、同一被测模型）给出 clean–drift 差距 IDG，而不是只报告多轮平均分。 校准使用 gpt-4.1 构造、gemini-3.5-flash 为被测模型、deepseek-v4-flash 为模拟器与评分裁判；easy/medium/hard 的 Variant/Decoy 预算为 1/3/5，实际实现均值分别为 0.95/0.61、1.71/1.67、2.24/2.50，对话平均长度从 13.2 轮增至 37.1 轮；关键比较使用案例配对自助置信区间。
损失不能仅由对话变长解释：在 General-Test 上，轮数匹配但无意图变更的对照得分为 0.734，接近单轮的 0.778，而对应的漂移轨迹只有 0.469，差距 0.265；在实时工具使用环境 Interactive-Test 中，结尾不重述最终意图使部分分评分相对 clean 下降。 这排除了“多轮本身导致退化”的通用解释，把问题定位到需要从演化历史中恢复当前意图；同时交互实验显示该效应延伸到真实工具动作，而不只是静态最终答案。 轮数匹配对照与漂移条件轮数相同、用户消息长度相近（13.2k 对 14.6k 字符）；交互实验以 Qwen3.5-122B 为被测智能体，三种非 oracle 条件的 CAR 均为 0.190，说明该证据针对部分分评分。
历史压缩不足以修复：滚动摘要的 Deep Agents 得 0.354、两阶段压缩的 OpenHarness 得 0.392，均未稳定超过裸多轮执行的 0.367；StateForge 在生成前显式折叠出活跃状态，把 General-Test 均分提到 0.467，而注入真值最终状态进一步升到 0.551，仍低于单轮 clean 的 0.778。 作者把“历史管理问保留什么”与“状态折叠还问什么仍然有效”区分开：被删除意图项所衍生的中间结论即使原项被移除也可能残留，因此需要显式表示活跃需求及其依赖；真值状态实验则说明状态估计误差是重要但非全部原因。 harness 比较在同一冻结的 medium 难度 General-Test 轨迹、同一评分器、温度与输出预算下进行；组件匹配消融中，各 recap 基线与完整 harness 的配对差异 95% 置信区间包含零，而 oracle 条件相对完整 harness 呈正向配对差异。
启示与展望
该工作面向具有可执行或可分解意图结构的任务：General 轨道覆盖代码、数学、SQL、数据到文本、摘要与工具调用，交互轨道使用 VitaBench 的配送、到店、OTA 与跨域环境。它适用于需要从演化对话中恢复当前意图再执行的智能体部署场景，包括以较小跟踪器在推理时提供活跃状态的模块化方案，以及把状态折叠内化进基础智能体的方案。对希望直接复用结论的读者，可直接采用的对象是 IntentFlux 的构造方式（Variant/Decoy、保留原评分器、不重述最终意图）与 StateForge 的“生成前显式活跃状态”接口；跟踪器规模比较显示 9B 跟踪器与 122B 参考在统计上不可区分，OPD 把 2B 跟踪器从 0.156 提升到 0.399，思维蒸馏把独立 35B 智能体在漂移条件下从 0.296 提升到 0.461。
校准把 Variant 与 Decoy 预算耦合在一起，因此支持的是联合陈旧信息负荷效应，而非两者或长度的独立因果效应；轮数匹配对照排除了轮数单独解释，但消息顺序与编辑措辞仍是漂移构造的属性。harness 比较与 Interactive-Test 各只使用一个被测模型，前者基于重放轨迹。组件匹配消融未把显式状态表示确立为系统增益的唯一来源，两条迁移路径的规模规律仍待探索。交互实验中，结尾重述完整最终意图会消除所测的部分分差距，提示基准可能无意中提供它本想测试的状态。此外，本证据包中的若干表格数值在正文呈现时被省略，若需精确到每个模型、每个任务族的分数，仍需查阅原文表格。