> Edizione pubblica: percorsi locali e riferimenti privati non necessari rimossi. Dati e criteri conservati. Le annotazioni storiche vanno lette insieme alle rettifiche e a CONTRIBUTORS.json: il coordinatore operativo era un assistente AI.

# Chiarimenti e incidenti del metodo

## Guard del budget strumenti, prima che Qwen01 raggiunga 24 chiamate

Il protocollo fissa un massimo di 24 strumenti per round. La prima versione dell’estensione rifiuta la 25ª chiamata, ma non interrompe immediatamente l’agente alla conclusione della 24ª. Per evitare ulteriori tentativi di chiamata oltre il budget, la versione 1.1 aggiunge abort al tool_execution_end della 24ª. Nessun criterio di score o feedback cambia. Il codice v1 esatto è in scripts/versions/extension-v1.ts. Qwen01 ha già caricato v1: un guard esterno applicherà lo stesso arresto dopo la 24ª chiamata conclusa, se la raggiunge. Il guard non modifica i file del portfolio e termina soltanto il processo Pi figlio del runner. I round successivi caricano v1.1. L’evento di arresto è registrato e contato come limite di budget, non come convergenza. Questa differenza di implementazione va dichiarata.

## Copia del sorgente usato, senza cambio del trattamento

I round successivi a Qwen01 salvano anche runtime/extension-used.ts prima di caricare l’estensione, oltre al suo hash già presente. Runner v1 conservato in scripts/versions/run_round-v1.py. È un’aggiunta di provenienza, non cambia prompt, strumenti o parametri.

## Precisazioni prima della prima valutazione esterna

L’ordine Qwen → Ornith → LFM è applicato a ogni passata: si avanza al modello successivo dopo il round, anche se quello precedente non ha ancora raggiunto 10/10. Alla passata seguente si riprendono solo le traiettorie ancora incomplete. In questo modo i primi tentativi non vengono rinviati da una singola traiettoria lunga. Nessun modello viene caricato insieme a un altro; la verifica statica del round precedente può avvenire mentre il successivo genera.

Solo le durate primarie del runner sono garantite da time.perf_counter (monotono). Le durate per risposta sono quelle emesse da Pi; la suite browser usa Date.now per la somma delle azioni e per la durata di valutazione. Queste ultime sono durate wall-clock del valutatore, separate dall’inferenza, non CPU/GPU time e non tempo di ragionamento. Non assumere un timer monotono per tutte le sorgenti.

## Rettifica tecnica suite browser v1.1, audit Ornith01

Il test tema v1 confrontava lo stile iniziale con quello letto immediatamente dopo il click, nello stesso inizio di transizione. Ornith ha transition .4s: l’attributo cambiava e persisteva, ma il primo campione CSS era ancora uguale. Falso negativo del valutatore, nessuna regressione del modello. La v1.1 confronta lo stile iniziale con quello del reload persistente già raccolto. Una verifica supplementare dopo stabilizzazione e reload mostra scuro: background rgb(20,22,24), testo rgb(232,228,219), in entrambi i casi. Grezzo v1 conservato come browser-evidence-v1.json e suite originale in scripts/versions/browser-suite-v1.js; rettifica marcata dentro browser-evidence.json e theme-supplement.json. Il criterio non cambia: tema visivamente diverso e persistente. Qwen01 era già OK sul tema; il ricalcolo con la regola corretta non ne cambia lo score. Nessuna seconda iterazione modello attribuita a questo errore di test.

## Escalation osservativa v2 — dopo Qwen01, prima di Qwen02

Il protocollo iniziale consentiva console dopo il secondo fallimento della stessa funzione. Qwen aveva fallito nella baseline e nel recupero01, senza errori della pagina in console (il codice gestisce il fallimento senza propagarlo). In questa fase esplorativa si amplia il feedback, secondo una regola applicabile a ogni modello con la stessa funzione fallita due volte: includere estratti DOM grezzi dei controlli interessati, insieme a un controllo funzionante. Nessun codice corretto o diagnosi causale scritta dal valutatore. I sei valori data-project letti dal browser sono salvati in rounds/qwen/01/dom-attributes.json e forniti integralmente in prompts/qwen-02.txt. Questa escalation è adattiva e decisa dopo aver visto il fallimento; non va presentata come preregistrata, né il suo effetto come confronto causale isolato. Cambia l’informazione fornita, non modello, modalità thinking, seed o budget.

## Conteggio tentativi di strumenti v1.2 — prima di LFM02

LFM01 ha tentato generate_image, non disponibile, oltre a una scrittura PNG vietata. Entrambi sono già inclusi nelle metriche esterne come errori; 12 tentativi totali, entro 24. Il contatore interno v1.1 incrementava solo entrando in uno strumento registrato: per rendere il cap coerente anche con nomi inventati, v1.2 conta tool_execution_start e salva budget-stop.json all’arresto. Nessuna violazione del cap osservata nei round precedenti (Qwen01 24, Ornith01 8, LFM01 12). Qwen02 ha già caricato v1.1 e conserva il suo sorgente/hash; finora usa soltanto strumenti disponibili. Le future esecuzioni usano v1.2. Non cambia il budget dichiarato né lo scoring. Sorgente precedente conservato in scripts/versions/extension-v1.1.ts.

Per LFM01, il contatore stesso è anche il contenitore che può mostrare «Nessun progetto»: la sua semplice visibilità (raw empty=true) non equivale a uno stato vuoto. Il controllo4 fallisce comunque per contatori 6→6→1→1 anziché 6→2→1→0; non si inferisce l’assenza assoluta del messaggio dal solo flag raw. Se un round usa quel contenitore, il suo testo determina lo stato vuoto. L’immagine di LFM01 è visibile come sfondo ma senza alternativa accessibile: controllo8 non superato, progresso parziale documentato in css-image-evidence.json.

## Disambiguazione del controllo5, durante Qwen02 e prima del suo audit

Il criterio originario richiede dettagli coerenti dei sei progetti. La prima bozza di Qwen02 introduce un fallback con descrizione «Dettaglio in preparazione.». La suite v1 registrava soprattutto apertura/titolo/focus; non basta a verificare il contenuto. Prima di valutare il round02 si aggiunge una cattura completa del testo dei sei dialoghi e si considera non completo un dettaglio che dichiara di essere ancora in preparazione/TODO o è vuoto. Nessun frammento corretto viene dato al modello durante il round. È una disambiguazione adattiva dopo aver visto una proposta, non una preregistrazione: va dichiarata come limite del disegno. Si applica a tutti i modelli; Ornith01 riceve la stessa verifica supplementare, senza inferenze aggiuntive. La misura 10/10 resta funzionale sul compito noto, non qualità estetica o audit completo.

## Audit di completezza token — Qwen01

Il guard esterno v1 ha fermato Pi dopo il 24º strumento, ma il controllo incrociato trova 25 richieste provider contro 24 message_end assistant. Il log server registra la 25ª con prompt_tokens=21027, prefill iniziato e poi stream_closed_before_completion prima di un record di decode. Il conteggio usage dei soli turni completi (392457 input e 3361 output) è quindi parziale; non si assegna zero al costo non osservato della richiesta interrotta. I 21027 sono token del prompt sottoposto, non prova che siano stati tutti elaborati. Tempi wall includono anche l’incidente. Il guard interno v1.1/v1.2 abortisce al termine del 24º strumento evitando questa finestra. Questo aspetto rende incompleta anche la somma token di recupero Qwen, non soltanto la sua baseline storica. Tabella e JSON marcano la completezza esplicitamente.

## Classificazione dell’arresto interno — Qwen02

Il cap interno interrompe dopo 24 strumenti. Pi emette poi un record assistant sintetico aggiuntivo: stopReason=error, errorMessage=This operation was aborted, durationMs=0, usage totale0, senza una nuova richiesta provider. Ci sono 24 richieste e 24 risposte effettive, più questo record di controllo. Il collector conserva i raw e distingue assistant_records=25, turni effettivi=24, synthetic_abort_records=1, termination_class=tool_budget. Non è un errore HTTP né una richiesta con token persi: usage Qwen02 completo per le 24 richieste. Qwen01 rimane incompleto per la diversa race del guard esterno.

Il record sintetico mostra thinkingLevel=medium, default metadata Pi. Non è il parametro effettivo del backend: le richieste provider conservate hanno enable_thinking=false, chat_template_kwargs false, reasoning_effort assente; il normalizzatore installato dà precedenza al booleano esplicito e il test del template chiude think. Non usare il campo UI thinkingLevel come prova che il modello stesse eseguendo reasoning medium. Conservare la discrepanza di etichette nel dossier.

## Suite browser v1.2: viewport effettivo e rettifica responsive

L’audit dei valori innerWidth mostra che i resize dei primi tre audit erano corretti (390/1440), mentre Qwen02 e LFM02 letti da schede preesistenti risultavano entrambi 1637px. L’override aveva agito sulla scheda attiva aperta per ultima (dashboard). Il semplice assenza overflow non era prova di responsive alle dimensioni richieste. Si ripetono i test sulla scheda attiva con assert sulle dimensioni: Qwen02 390/client375/scroll375 e 1440/client1425/scroll1425, OK; LFM02 390/client375/scroll454, NO, e desktop1425/1425, OK. Salvati viewport-supplement.json. Qwen02 score10 invariato ma evaluation-v1.json conservata prima della revisione; LFM02 non era ancora finalizzato, resta4/10 invece del falso5 indicato dalla prima bozza di suite. Nessuna nuova inferenza o modifica al portfolio per il retest.

La suite v1.2 marca INVALID se innerWidth non è quello richiesto; finalizer rifiuta dimensioni errate senza supplemento corretto. I prossimi audit usano la scheda attiva e controllano i valori reali. Copia di v1.1 conservata. Il ripetitore deve controllare questi valori, non fidarsi del successo della chiamata resize.

LFM02 termina per stopReason=length a 8192 output nell’ultima risposta, non per completamento normale o per esaurimento dei 24000 totali. Il testo lungo non è diventato una scrittura valida dei file del sito. Il collector distingue response_length da output_budget e normal.

## Strategia di recupero focalizzata v2 — dopo LFM02, prima di LFM03

Due round senza miglioramento dello score (4→4→4), ultimo response_length con sito invariato. Si introduce un intervento adattivo di prompt engineering: specifica prodotto derivata dai contenuti/JS/qualità del brief originale (PRODUCT_SPEC.md), senza le vecchie istruzioni operative di creazione/generazione immagine; vincoli di recupero espliciti nel system prompt; obiettivi circoscritti a ricerca/filtri/contatore. Il brief originale resta intatto nell’archivio. Runner --focused salva il nuovo system/prompt, modalità e hash. Stessi modello/backend/seed/thinking/budget/strumenti, nessun codice corretto fornito. Si prosegue con i controlli ancora mancanti, valutando sempre tutti10 dopo ogni round e preservando regressioni. È un cambio di trattamento deciso dopo gli esiti, non preregistrato e non un confronto causale isolato del prompt. Il costo cumulativo include tutti i tentativi precedenti. Questa tecnica sarebbe applicabile anche agli altri modelli se ancora incompleti; Qwen e Ornith hanno già raggiunto10.

## Limite per risposta 16384 — prima di LFM04

LFM02 e LFM03 si fermano entrambi con stopReason=length sull’ultima risposta da8192 output, senza scritture valide del sito. LFM03 non modifica alcun file. LFM04 riusa lo stesso feedback focalizzato di03 e lo stesso system prompt; aumenta solo il cap per risposta a16384 (--long-response), conservando24000 output totali,24strumenti,seed424242,temperatura e template diretto. Il testo del budget nel prompt e il profilo Pi sono allineati. L’harness estensione v1.3 legge il limite daRECOVERY_MAX_RESPONSE; precedenti sorgenti conservati. Il percorso assoluto della cartella cambia fra round e può comparire nei messaggi strumenti; non è una replica bit-per-bit e non consente di attribuire causalmente un eventuale effetto al solo limite. È un’escalation adattiva di budget per risposta, da mostrare in tabella e non nascondere nella media.

Nei round LFM si osservano lunghe spiegazioni preparatorie nel testo normale, talvolta con un tag di chiusura think, mentre usage.reasoning resta0. Il template diretto è sperimentale e non equivale a controllo nativo affidabile del ragionamento; non descrivere LFM come thinking-off nativo né il suo zero nel contatore come assenza di ragionamento. Il confronto riguarda queste configurazioni.

## Feedback LFM05 e suite stato vuoto v1.3

LFM04 applica una modifica logica al filtro ma resta4/10. LFM05 conserva condizione focalizzata e cap16384, aggiunge osservazioni DOM salvate: data-category=undefined in tutte le schede e stato/classi/aria dei filtri invariati dopo Branding. Nessun codice corretto o spiegazione causale di implementazione viene fornito. Si chiarisce anche che finish non è disponibile: LFM04 lo ha chiamato4volte con errori. L’harness non aggiunge nuovi strumenti.

La suite v1.3 interpreta, per l’adattatore LFM, lo stato vuoto dal testo «Nessun progetto» nel contatore, anziché dalla visibilità del contenitore sempre presente. Conserva empty_element_visible e i raw precedenti. Regola già chiarita nel protocollo/annotazione LFM01; nessuno score precedente cambia, perché i contatori combinati erano comunque errati. I prossimi adattatori potranno usare un elemento vuoto separato se il modello lo crea.

## Impasse dopo cinque tentativi LFM, poi condizione native-thinking — LFM06

Punteggio4 nella baseline e nei cinque round di recupero. Alcuni cambiamenti parziali e una regressione sono conservati, ma nessun incremento del numero di controlli completi. Si documenta l’impasse prima di cambiare condizione, come da regola iniziale. Non si elimina o sostituisce alcun tentativo. LFM05 modifica un’altra funzione (dialoghi), non risolve il target filtri/categorie, e le verifiche restano4.

LFM06 usa il template nativo del checkpoint anziché il prefisso sperimentale think già chiuso. Il controllo enable_thinking è richiesto true; si attende lo stato reasoning del parser corretto per il template originale. Stesso feedback di05, stessa strategia focused, stesso seed/temperatura/strumenti, cap16384 per risposta e24000 totale. Il codice di partenza è l’ultimo round, quindi differisce da04; non è un esperimento controllato indipendente sull’effetto del template. Runner --native-thinking e RECOVERY_THINKING registrano la condizione. Sorgenti precedenti archiviati. Questa prova di recupero non va aggregata come se LFM fosse stato in modalità diretta nativa nei round precedenti: non lo era. Le metriche distinguono richiesta e canali emessi, senza identificare i token con pensiero interno.

## Provenienza dei contatori reasoning

L’ispezione del codice installato verifica che mlx_lm.server (usage non-stream e stream finale) espone prompt_tokens, completion_tokens, total_tokens e dettagli cache, non completion_tokens_details.reasoning_tokens; mlx_vlm.server.schemas.UsageStats usa lo stesso insieme senza contatore reasoning. Quindi usage.reasoning=0 nei record Pi è una normalizzazione e non prova di contatore API realmente misurato a0. I raw restano invariati; il collector conserva reported_reasoning_tokens (campoPi) e aggiunge backend_reasoning_tokens=null, che le tabelle mostrano comeNA. Si aggiunge una misura distinta e ripetibile: ritokenizzazione del testo dei blocchi thinking effettivamente emessi, con tokenizer locale/hashes e add_special_tokens=False. Non è il numero esatto di token campionati, esclude marker rimossi e non misura pensiero interno. Non si aggiunge all’output usage totale. Il testo normale, anche se preparatorio, resta separato. Le durate per canale non sono misurabili dai log disponibili.

## LFM07: feedback compatto sulla nuova condizione nativa

LFM06 aggiunge i listener dei filtri: il comportamento cambia (categorie ora mostrano0 invece di6), ma lo score resta4. Il feedback07 è riscritto in forma compatta con risultati osservati/attesi della sequenza e DOM data-category=undefined. Conserva modalità nativa, cap16384, focused e stessi parametri. Non contiene patch o diagnosi di implementazione; si registra questa ulteriore selezione del feedback.

Per il controllo4, «Nessun progetto corrispondente» comunica semanticamente zero: la suite deve accettare anche questa forma quando lo stato vuoto è attivo, invece di richiedere il carattere0. Tutti gli altri contatori devono corrispondere ai numeri osservati. Questa interpretazione è esplicitata prima della verifica07; gli score precedenti non cambiano perché non passavano la sequenza di risultati.

## Recupero assistito chirurgico v3 — dopo regressione LFM07

LFM07 aggiunge categorie corrette ai dati e il pulsante tema HTML, ma la combinazione perde la query e la riscrittura completa elimina il gestore del form: score3/10. Il round negativo resta nel percorso e nei totali. Per limitare nuove regressioni si rimuove write_file dagli strumenti attivi e lo si rifiuta anche lato esecuzione; replace_text è limitato a4000 caratteri per old_text/new_text. Il modello può ancora fare più patch. Questi guard non contengono soluzioni del portfolio.

Il system e il feedback passano all’inglese, la UI deve restare italiana. Non si ripresenta l’intero brief prodotto: viene fornito un solo obiettivo circoscritto. Si aggiunge per la prima volta diagnosi implementativa esplicita dell’evaluatore: applyFilter deve conservare il valore corrente della query quando richiama il renderer. Nessun codice corretto letterale è fornito, ma questa è assistenza umana più forte del feedback osservativo. Modalità --surgical con native-thinking e cap16384. Non chiamare questo successo eventuale riparazione autonoma né confrontarlo causalmente con gli altri modelli. Il costo cumulativo include tutti i tentativi. Sorgenti v1.4 archiviati.

## LFM09: ripristino regressione form e collegamento tema

LFM08 passa3e4, score5/10, dopo diagnosi implementativa sul passaggio della query. LFM09 mantiene configurazione surgical/native/cap16384, chiede di ripristinare il gestore form eliminato dal modello nel07 e collegare il pulsante tema già presente alle funzioni esistenti. Feedback in inglese con diagnosi e requisiti, nessuna riga di soluzione fornita. Tutti10 i controlli saranno ripetuti, non solo i due obiettivi.

## LFM10: dicitura di conferma, immagine e overflow

LFM09 porta il tema aOK; il form valida ma la conferma dice soltanto «Conferma:demo», insufficiente per il requisito esplicito di non invio. Score6/10. In LFM10 l’evaluatore fornisce l’esatta dicitura UX italiana che chiarisce il non invio, richiede immagine HTML visibile conalt e offre diagnosi sui vincoli di wrapping/min-width della navigazione. Resta modalità assisted-surgical/native/cap16384. La fornitura di copy e diagnosi è assistenza dichiarata, non creatività autonoma del modello. Nessuna patch di codice è incollata nei file dall’evaluatore.

## LFM11: layout con geometrie del browser

LFM10 passa conferma form e presenza PNG visibile conalt; score8. L’alternativa è generica («NoraValli,designer...»): il controllo8 qui verifica integrazione/caricamento/presenza alt, non un audit semantico completo WCAG. Da annotare come limite qualitativo senza attribuire allo score certificazione a11y. Nuove dimensioni overflow: mobile489/375 e desktop1558/1425. LFM11 fornisce geometrie dei nodi che escono dal viewport e diagnosi su nav/list/hero in riga, con vincolo di correggere il layout senza nascondere il contenuto. Solo CSS, stesso percorso assisted-surgical/native/cap16384. Screenshot e geometrie sono conservati.

## LFM12: ultimo controllo, dialoghi con diagnosi esplicita

LFM11 passa il responsive con wrapping reale, senza overflow:hidden; score9. LFM12 conserva la condizione assisted-surgical/native/cap16384 e fornisce diagnosi su binding prima del render, mancanza dei dati title/desc nel dataset, classe di apertura CSS, chiusura/focus. Il modello deve generare e applicare le patch; nessun codice corretto letterale è passato. Questo è recupero con forte assistenza implementativa del valutatore e va mantenuto distinto da Qwen/Ornith e dai primi round LFM.

A fine percorso è pianificata una rivalutazione retrospettiva di tutte le baseline e di ogni artefatto con la stessa suite finale corretta. Non è una nuova replica del modello né un nuovo tentativo: nessuna inferenza locale o token modello. Audit storici e rettifiche restano conservati. È controllo di consistenza del punteggio dopo l’evoluzione degli oracoli, non preregistrazione o test cieco.

## Stabilizzazione delle letture UI e LFM13 con guida algoritmica

L’audit preliminare LFM12 aveva letto una falsa mancata combinazione dei filtri. Ripetendo dopo waitForLoadState(load) e getAXState dopo i click, la sequenza è corretta: nessuna regressione reale3/4. Il codice di filtro era invariato. Raw iniziale in browser-evidence-unstable.json, nuovo audit in stable-audit e canonico: score9. Il wrapper browser-settled-tab.js attende caricamento e statoAX dopo le azioni/ prima delle letture, usando solo le API CUA documentate. L’errore di salvataggio del primo retest (directory stable-audit non ancora creata) è stato risolto creando la directory e ripetendo l’audit; nessuna inferenza aggiunta. La rivalutazione comune userà questo wrapper per tutti gli artefatti. I log console della scheda possono contenere messaggi di estensioni e URL precedenti; non attribuirli al codice del candidato senza filtro per URL/tempo.

LFM12 resta realmente incompleto sui dialoghi: nodi renderizzati non collegati, stato CSS chiuso e Tab non gestito. LFM13 riceve una guida algoritmica esplicita con ancore del sorgente attuale: listener per articolo con oggetto p, classe di apertura, trap del solo pulsante. Non viene fornita una stringa new_text di codice da incollare, ma il livello di assistenza è ancora più forte della sola diagnosi: questa distinzione deve comparire nell’articolo. Restano surgical/native/cap16384 e tutti i costi precedenti inclusi.

## Identità del controllo di apertura nel test focus

Il core iniziale riconosceva il ritorno focus cercando il titolo nel testo visibile del controllo. Per Qwen/Ornith il titolo è nel testo; per LFM il testo è «Dettagli», mentre il nome è nell’aria-label e nella scheda antenata. Prima della verifica del candidato13 si aggiunge content-focus-v2: dopo Escape per ciascuno dei6progetti e dopo il pulsante del primo, activeElement deve corrispondere al selettore dell’opener e la scheda di appartenenza deve avere il titolo atteso; il dialogo deve essere chiuso. Si mantiene trapTab e verifica contenuti. Non è un nuovo requisito né un favore al modello: è verifica della stessa identità indipendente dalla label. grade.py è l’oracolo finale comune e combina dati core e supplemento. Test del nuovo supplemento su Ornith passa senza alterare codice o score. I raw storici restano conservati; la rivalutazione comune usa questo controllo per tutti.

## Attribuzione del coordinatore e chiusura dell’audit

Le diagnosi e le indicazioni sono state generate dall’assistente coordinatore di questa sessione Codex, non da un valutatore umano indipendente. Dove nel protocollo/annotazioni si usavano espressioni generiche come «coordinamento umano» o «assistenza umana», l’attore effettivo è questo coordinatore assistente; l’utente ha dato obiettivo e steering. CONTRIBUTORS.json corregge e rende esplicita l’attribuzione. I token/costi del coordinatore non sono rilevati. L’inferenza dei tre checkpoint è locale; l’intero workflow non va descritto come sistema autonomo integralmente locale, date coordinazione e immagini esterne della baseline.

La rivalutazione con l’oracolo congelato è completa:19artefatti,190verdetti individuali, nessuna divergenza rispetto ai punteggi canonici storici. Comprende baseline, esiti negativi, regressioni e successi. Non aggiunge iterazioni o token modello. I raw originari e gli audit corretti rimangono entrambi disponibili.
