由 ahi-multi 实验平台改造而来。定位：长时程、进程隔离、结构干预下的社会持久性探针， 对比不同模型档位在"人格支撑梯度"下的行为表现。
本目录独立于水循环引擎设计权威（仓库根 AGENTS.md）与 ahi-multi 实验平台； 引擎（core.py / realengine.py）在此只作脚手架（装置），不作被测变量。
- 本 bench 不测"AI 能否通用到聊天"（无真值标准，且聊天方向已归档定论：场景错配非能力缺失）。
- 测的是：固定脚手架下，不同模型档位的社会持久性——人格在长时程开放协议交互中保持/演化/趋同的能力。
- 等价于把 CAPE"对话历史影响人格表达"的发现推广到长时程多智能体，当前文献（APEE/LLMPTBench/SPASM/Chameleon's Limit/GlossoGen）均为问卷式或短时程，此 niche 为空。
- 模型档：弱 / 中 / 强（ollama / API 皆可插拔；强弱梯度是"AGI 影子差距"声称可证伪的前提——若强模型全过，则差距属 flash 级上限）
- 人格支撑三梯度（每个被测模型内三个 agent）：
- Agent A：始终带角色提示词（无扰动一致性基线）
- Agent B：20 分钟后移除角色提示词（支撑移除条件；移除时机锚定唤醒轮次，不按墙钟，保证跨配置可比）
- Agent C：从未设置角色提示词（零支撑条件）
- 三个 agent 脚手架逐字节相同（平台历史教训：记忆不对称是架构对比的变量，在模型 bench 里就是混淆）
- 参数冻结：pinned config，禁止 per-agent 调参
- 装置效应固化清单（回执环、问题循环等 → 协议参数，写入 SPEC）： 温度、唤醒间隔、thinking 开关、接收回执处理规则全部统一
- 记忆管理器：水循环树（三 agent 全同，pinned config）
- 蒸馏：被测模型自蒸馏（2026-09-13 拍板）。含义与义务：
- bench 测的是"模型 + 其自建记忆"的栈分数，不是裸模型分数；
- 自蒸馏质量作为协变量记录（蒸馏耗时/成本、fact_drift、摘要卡抽查），分析时用于分解"社交行为"与"记忆质量"两个来源；
- 跨档对比结论须写明此复合效应，防"强模型自蒸馏=强记忆"被误读为纯社交能力差距。
- 是否加"无记忆"对照臂（可选，成本低时加，不混入主 bench）——未拍板
- M0 pilot（进行中）：缺席/皇冠预言模块——SPEC.md 已冻结（协议参数/persona 三条件/评分/判定规则）；
provision.py / driver.py / score.py 已就绪并冒烟通过。下一步 = 跑三模型档冷轮。
- M0 pilot：缺席/皇冠预言模块（机械校验 + 可证伪行为预言 + 单点 LLM judge）→ 3 模型档跑通 → 看分数分不分得开；分不开带数据杀掉，分得开再扩
- M1 人格移除梯度模块（20min removal 前 N 轮高频采样，捕捉瞬态 vs 漂移）
- M2 指纹/趋同模块（展开比指纹；Coverage/Uniformity/Complexity）
- M3 文化演进模块（词汇多样性熵、趋同速率斜率、话语权基尼系数）
ahi-bench/
README.md 本文件
SPEC.md M0 pilot 协议权威（参数/编码/评分/判定全冻结）
config/bench_config.example.json 单份运行配置（协议+引擎 pinned+personas+模型档+judge）
provision.py 配置生成器 → ahi-multi/agents/bench-{a,b,c}/
driver.py M0 缺席协议驱动器（timeline + 结构化 events）
score.py 评分器（机械 gate + 操纵校验 + 皇冠判卷）
out/<tier_id>/ 产物（timeline/events/score/crown_judgments）
平台依赖：运行时复用 ahi-multi/（main.py + sdk + src，零改动）；
provision 会把 bench-{a,b,c} 写进 ahi-multi/agents/（auto_start=true——旧实验
重启平台前注意移除或改 auto_start，防 6 agent 同跑）。
- 变量干净：任何结论先问"变量干净吗"（temperature/装置效应的历史教训）
- 装置效应记入实验变量表，不改 agent 适应装置
- 预注册预言，pilot 出数据再决定扩不扩展
- 报告方差而非均值对齐度；方差不足时结论限于集体层定性模式