# 本地模型结果与技术边界

LoyaltyOps-Bench 用原创合成业务检查会员运营 Agent 是否真正完成任务并遵守授权、频控、预算与审批边界。当前仅一个模板、两题，规则尚未经行业专家审阅。

来源证据与来源候选已完成独立静态核验，来源桌面视觉检查也已完成。网页部署与模型业务成绩分开记录。代码 Apache-2.0，原创合成题库与文档 CC BY 4.0，许可范围见 [LICENSE_SCOPE.md](LICENSE_SCOPE.md)。实验费用未知。模型实验代码统一为 0.3.0；候选工程代码为 0.3.1。

| 实验组 | Ollama / socket / think | 计划 | 实际 | 通过 | 未通过 | 基础设施错误 | 未运行 | HTTP |
|---|---|---:|---:|---:|---:|---:|---:|---:|
| 历史首跑 | 0.33.2 / 120 秒 / False | 2 | 2 | 1 | 1 | 0 | 0 | 10 |
| 120 秒配置的中断记录 | 0.34.2 / 120 秒 / False | 6 | 1 | 0 | 0 | 1 | 5 | 4 |
| 240 秒固定配置复现 | 0.34.2 / 240 秒 / False | 6 | 6 | 3 | 3 | 0 | 0 | 30 |
| 同预算思考模式对照 | 0.34.2 / 240 秒 / True | 2 | 2 | 0 | 2 | 0 | 0 | 4 |

版本门禁单列为非成绩事件：0 请求，4 个计划位未运行；不重复纳入历史首跑，也不计作模型失败。

四组合计 11 条完整实际记录、48 次 HTTP、5 个实验未运行位；第二轮 9 条/38 HTTP 只是另一个流水账范围，不能混用为同配置分母。

思考模式两题均在每个请求 1024 的共享生成上限下未完成；思考与答案/工具输出共享该预算。原包装分类 agent_output_error 不表示 JSON 坏格式，具体停止原因是 output_token_limit。

思考组后端辅助启动参数多出 --load-mode none，另有临时端口变化；已核对的显式请求生成配置仅 think 不同，但整个启动命令并非逐字相同。加载参数、负载、缓存和热状态的影响未知，不作性能因果断言。

待审批题的非思考失败保留了重复审批轨迹；已审批题的成功保留了发送和发券副作用。全部逐条记录和静态动作链接见 [本地页面](site/index.html)，不只展示成功者。

固定 seed 的三次重复不是独立随机抽样，两题各一次思考对照也不是泛化率。不能说 think 总体更差、给足预算仍会失败，或把零违规当作生产安全。

不公开原始 thinking 文本，只记录每次已接收响应的可见字符数、摘要哈希及原供应商总生成 token；思考/答案 token 精确拆分未知。缺失用量保持 null，失败请求不记为零成本。

两个 wheel 均保留已验收原字节，包内长描述是其构建时的文档快照；本次结果整理状态以本文件为准，不为更新文字重打包历史 wheel。