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
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。