title

SRBC Theory Validation Program — Round 12：Conflict Resolution / Clarification Optimization

author

Neo.K with Aletheia (GPT-5.6 Sol)

institution

EveMissLab / 一言諾科技有限公司

version

v0.1

date

2026-09-23

language

zh-TW

document_type

Clarification Planning / Conflict Resolution Validation Report

status

Round 12 completed

SRBC Theory Validation Program — Round 12

Conflict Resolution / Clarification Optimization

作者： Neo.K with Aletheia (GPT-5.6 Sol)
機構： EveMissLab / 一言諾科技有限公司
日期： 2026-09-23
版本： v0.1

Canonical Source Note

本報告以 UTF-8 Markdown 保存；數學 source 僅使用 $...$ 與 $$...$$。

輸入是 Round 11 的 8000 個 three-way merge / conflict cases。

本輪不是再判「有沒有 conflict」，而是問：

並同時區分：

• query resolution；
• canonical semantic resolution。

0. 第一個修正：不能強迫所有 Clarification 都以 QRC 為終點

Round 11 dependency conflicts 中有：

案例的合法 resolution outcome 包含：

如果 optimizer 的成功條件固定是：

它會傾向要求額外假設，直到硬擠出數值。

這違反 SRBC 自己的原則。

因此 Round 12 改成：

也就是：

能確定 query 的合法 resolution outcome 即可。

1. Undef Planning Tag

為了做 decision tree，可以定義：

或：

但：

只是 resolution-planning label。

它不是把 undefined 偷塞回：

因此：

仍然成立。

2. 8000 Cases

各類成本：

最明顯的是：

Query-equivalent semantic conflict

但：

Evidence / metadata / root conflict

同樣：

query 已經閉合，不必為了回答當前問題追問。

3. Query-Sensitive Conflict

兩 branch：

只要問一個 distinguishing semantic question：

semantic identity 也同樣需要一次：

4. Dependency Interaction

candidate worlds：

兩個 atomic questions：

• A change 是否 intended？
• B change 是否 intended？

Round 11 分兩種 pattern。

QDU Pattern

764 cases：

只要問：

A / parent change 是否 intended？

即可直接知道：

• yes → undefined；
• no → branch B answer。

因此：

但如果目標是找唯一 semantic world，平均仍需：

Three-Unique Pattern

236 cases：

三個 worlds 都有不同 defined outcome。

因此 uniform prior / unit-cost 下：

5. Dependency Aggregate

1000 dependency cases：

expected query-resolution cost：

minimax worst-case average：

semantic resolution：

expected，worst-case：

所以 query-directed clarification 確實能利用：

而不必硬分開它們。

6. Conflict Set 的總成本

只看真正 unresolved / preserved-conflict 六類，共：

cases。

問完所有 conflict dimensions

平均：

要唯一 semantic branch

adaptive expected cost：

只為當前 query 取得 resolution closure

adaptive expected cost：

相對 resolve-all 減少：

相對 semantic-resolution 減少：

7. Branch EIG 會讓 Query-Neutral Conflict 看起來值得問

本輪有：

個 query-neutral preserved conflicts：

• query-equivalent semantic；
• evidence；
• metadata；
• root identity。

branch identity 尚未確定，因此：

distinguishing question 也有：

但當前 query：

因此：

所以：

8. Dependency QDU Pattern 的 EIG

uniform three-world prior：

兩個 questions 的 branch EIG 都約：

所以 branch-EIG 無法區分誰比較適合當前 query。

但 resolution EIG：

對 parent question：

bits。

對 child question只有：

bits。

因此 query-relative information gain 會明確優先問 parent。

9. Uniform Prior / Unit Cost

在本 Round 11 benchmark 的 candidate questions 下，真正需要 clarification 的：

cases 中，

greedy：

和 exact dynamic programming：

相同。

但這只是這個特殊小型結構。

10. EIG / Cost 不是 Exact Optimizer

本輪進一步隨機化：

• branch prior；
• question cost。

prior 用 synthetic random distributions；

question cost 在約：

上 log-uniform。

這些都是 benchmark input，不是自然 prior，也不是人類實測成本。

結果：

所以：

不能被定義成：

它只是 heuristic。

11. Exact DP

小 branch family 應直接解：

stop condition：

對 query resolution：

對 semantic resolution：

這才是真正的 minimum expected clarification cost。

12. 無 Prior 時

如果沒有：

不應偷偷假設 uniform。

本輪定義：

這給 minimax clarification cost。

dependency family 的平均 minimax query cost：

13. Semantic Conflict 不一定要問

Round 11 的：

QUERY_EQUIVALENT_CONFLICT
EVIDENCE_CONFLICT
METADATA_CONFLICT
ROOT_IDENTITY_CONFLICT

對目前 query 全部：

runtime 可以：

1. 保留 conflict artifact；
2. 直接回答 query；
3. future query 需要時再 reopen。

這正是 delayed commitment 在 merge runtime 的版本。

14. Canonical Merge 仍然可以需要 Clarification

如果使用者的真正 task 是：

我要一份唯一 canonical source / evidence / semantic state。

那目標不是 query resolution，而是：

所以同一 conflict：

這兩個 cost 不能混報。

15. 本輪對 SRBC-05 的修正

SRBC-05 原來的 clarification priority：

仍可做 heuristic。

EIG 版本：

也可做 heuristic。

但 exact $\kappa$ 應由：

• DP；
• search；
• optimization；
• formal branch elimination；

計算。

不能用局部 score 直接冒充 global minimum。

16. Prior Laundering 再次被阻止

如果沒有 branch prior：

就不能因方便寫：

然後把 EIG ranking 說成「最理性」。

Round 12 所有 uniform-prior 數字都明確標：

17. Clarification 本質是 Partition Operator

一個問題不是只有字串：

Which rule did you mean?

正式 artifact 是：

每個 response：

對應：

所以 clarification planner 可以直接跑：

• expected elimination；
• resolution EIG；
• minimax cost；
• exact DP。

18. 本輪沒有證明什麼

沒有證明：

1. 人類 clarification cost 真的是 1；
2. 人類 branch prior 是 uniform；
3. EIG 在自然語言對話的心理成本準確；
4. synthetic atomic question 能直接變成最佳人類問句；
5. 大型 branch space 的 exact DP 可實務擴展。

所以這輪是：

19. 下一輪

Round 13 最自然就是：

因為現在的 clarification response 都是假設 deterministic / truthful。

下一輪可以主動加入：

• 使用者答錯；
• 模糊回答；
• 部分回答；
• 改口；
• refusal；
• confidence；
• contradictory clarification；
• question fatigue cost；
• repeated-question consistency。

然後測：

和：

何時應該分開。

附錄 A：Class Costs

附錄 B：Random Prior / Cost Stress

附錄 C：Machine Results

{
  "round": "SRBC Theory Validation Round 12",
  "engine_revision": "v0.12-resolution-closure",
  "cases": 8000,
  "class_summary": {
    "auto_disjoint": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 0.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 0.0,
      "avg_resolve_all_cost": 0.0,
      "avg_greedy_query_eig_cost": 0.0
    },
    "same_intent": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 0.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 0.0,
      "avg_resolve_all_cost": 0.0,
      "avg_greedy_query_eig_cost": 0.0
    },
    "query_equivalent_conflict": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 1.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 1.0,
      "avg_resolve_all_cost": 1.0,
      "avg_greedy_query_eig_cost": 0.0
    },
    "query_sensitive_conflict": {
      "n": 1000,
      "avg_query_expected_cost": 1.0,
      "avg_semantic_expected_cost": 1.0,
      "avg_query_worst_cost": 1.0,
      "avg_semantic_worst_cost": 1.0,
      "avg_resolve_all_cost": 1.0,
      "avg_greedy_query_eig_cost": 1.0
    },
    "dependency_interaction": {
      "n": 1000,
      "avg_query_expected_cost": 1.1573333333333324,
      "avg_semantic_expected_cost": 1.6666666666666865,
      "avg_query_worst_cost": 1.236,
      "avg_semantic_worst_cost": 2.0,
      "avg_resolve_all_cost": 2.0,
      "avg_greedy_query_eig_cost": 1.1573333333333324
    },
    "evidence_conflict": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 1.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 1.0,
      "avg_resolve_all_cost": 1.0,
      "avg_greedy_query_eig_cost": 0.0
    },
    "nuisance_conflict": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 1.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 1.0,
      "avg_resolve_all_cost": 1.0,
      "avg_greedy_query_eig_cost": 0.0
    },
    "root_conflict": {
      "n": 1000,
      "avg_query_expected_cost": 0.0,
      "avg_semantic_expected_cost": 1.0,
      "avg_query_worst_cost": 0.0,
      "avg_semantic_worst_cost": 1.0,
      "avg_resolve_all_cost": 1.0,
      "avg_greedy_query_eig_cost": 0.0
    }
  },
  "conflict_set": {
    "cases": 6000,
    "avg_query_resolution_expected_cost": 0.3595555555555556,
    "avg_semantic_resolution_expected_cost": 1.1111111111111112,
    "avg_resolve_all_cost": 1.1666666666666667,
    "query_vs_resolve_all_reduction": 0.6918095238095239,
    "query_vs_semantic_resolution_reduction": 0.6764
  },
  "greedy_query_eig": {
    "active_query_clarification_cases": 2000,
    "matches_exact_dp_under_uniform_unit_cost": 2000,
    "failures": 0,
    "query_neutral_cases_where_branch_eig_positive_but_resolution_eig_zero": 4000
  },
  "dependency_interaction": {
    "cases": 1000,
    "avg_uniform_expected_resolution_cost": 1.1573333333333333,
    "avg_minimax_worst_case_cost": 1.236,
    "eig_patterns": [
      {
        "pattern": "QDU_PATTERN",
        "question_scores": [
          [
            "ask_A_change",
            0.918296,
            0.918296
          ],
          [
            "ask_B_change",
            0.251629,
            0.918296
          ]
        ],
        "count": 764
      },
      {
        "pattern": "THREE_UNIQUE",
        "question_scores": [
          [
            "ask_A_change",
            0.918296,
            0.918296
          ],
          [
            "ask_B_change",
            0.918296,
            0.918296
          ]
        ],
        "count": 236
      }
    ]
  },
  "prior_cost_stress": {
    "explicit_note": "Priors and question costs are synthetic benchmark inputs, not natural priors or measured human costs.",
    "QDU_PATTERN": {
      "n": 100000,
      "greedy_suboptimal": 8196,
      "max_relative_regret": 1.311015936140403,
      "suboptimal_rate": 0.08196,
      "avg_relative_regret_when_suboptimal": 0.14529424714734357
    },
    "THREE_UNIQUE": {
      "n": 100000,
      "greedy_suboptimal": 11685,
      "max_relative_regret": 0.8038866550313561,
      "suboptimal_rate": 0.11685,
      "avg_relative_regret_when_suboptimal": 0.09239126242904895
    }
  },
  "core_findings": {
    "qrc_is_not_only_legal_closure_target": true,
    "resolution_outcome_variable_includes_undefined_tag_for_planning_only": true,
    "undefined_tag_is_not_promoted_into_answer_domain": true,
    "semantic_merge_cost_separate_from_query_resolution_cost": true,
    "eig_requires_declared_prior": true,
    "eig_per_cost_not_globally_optimal": true,
    "without_prior_use_minimax_or_bounds": true
  }
}

附錄 D：Artifacts

• SRBC_Theory_Validation_Round12_Report_v0.1_2026-09-23.md
• SRBC_Core_Patch_v0.12_2026-09-23.md
• clarification_optimizer_protocol_v012.yaml
• round12_clarification_optimizer.py
• round12_eig_stress.py
• round12_replay.py
• results_round12.json
• clarification_cases_round12.jsonl
• merge_cases_round11.jsonl
• validation.json