# Segunda pasada V4 con hasta cuatro opciones

Experimento real con respuestas conservadas y nuevas inferencias registradas. Modelo: `jev-1.13.0`. Una sola revisión por condición; ninguna partida ejecutada.

KEEP obtuvo +2 aciertos netos frente a V4; REFOCUS obtuvo +3. REFOCUS frente a KEEP tuvo un cambio neto de +1. En 283/340 revisiones (83.24%), REFOCUS produjo exactamente el mismo contexto que KEEP.

Se revisaron 340/376 decisiones con P de la opción elegida ≤75%; 36 conservaron V4. KEEP conserva el contexto original y restringe las opciones; REFOCUS vuelve a seleccionar contexto con Jev para ese mismo menú restringido.

El umbral no concentró errores en este conjunto: 64/340 revisados (18.82%) frente a 7/36 conservados (19.44%). Es un diagnóstico de esta cohorte, no una validación ni un ajuste del umbral.

## Resultado de la política completa

| Condición | Aciertos de la política | Exactitud | Decisiones fallidas | Conservadas |
|---|---:|---:|---:|---:|
| V4 | 305/376 | 81.12% | 0 | 0 |
| KEEP | 307/376 | 81.65% | 0 | 36 |
| REFOCUS | 308/376 | 81.91% | 0 | 36 |

- V4 → KEEP: 10 correcciones, 8 regresiones; cambio neto 2.
- V4 → REFOCUS: 11 correcciones, 8 regresiones; cambio neto 3.
- KEEP → REFOCUS: 3 correcciones, 2 regresiones; cambio neto 1.

La exactitud de política conserva V4 si falla la revisión; los fallos permanecen separados y no se presentan como respuestas correctas nuevas. Los resultados originales y `policyCorrect` se guardan por separado.

## Solo las decisiones revisadas

| Condición | Aciertos de la política | Exactitud | Decisiones fallidas | Conservadas |
|---|---:|---:|---:|---:|
| V4 | 276/340 | 81.18% | 0 | 0 |
| KEEP | 278/340 | 81.76% | 0 | 0 |
| REFOCUS | 279/340 | 82.06% | 0 | 0 |

- V4 → KEEP: 10 correcciones, 8 regresiones; cambio neto 2.
- V4 → REFOCUS: 11 correcciones, 8 regresiones; cambio neto 3.
- KEEP → REFOCUS: 3 correcciones, 2 regresiones; cambio neto 1.

| Conjunto | V4 | KEEP | REFOCUS |
|---|---:|---:|---:|
| micro-scenarios-v0.3 | 20/32 | 21/32 | 21/32 |
| mechanics-bulk-v1 | 272/320 | 272/320 | 273/320 |
| mechanics-longitudinal-v1 | 13/24 | 14/24 | 14/24 |

## Alcance del menú y del contexto

Se conservaron min(4, número disponible) opciones, elegidas por probabilidad original. Los empates dentro de 1e-9 se resolvieron por orden original, y ese orden se preservó al mostrar el subconjunto. Hubo 33 menús de menos de cuatro opciones, 24 de exactamente cuatro y 283 mayores.

De los 64 errores revisados, 61 conservaban alguna respuesta aceptable. El techo ideal sin regresiones era 366/376; es un límite basado en la clave del benchmark, no una predicción. Casos sin respuesta aceptable disponible: `state-stale-pp-pressure`, `sitrus-consumption-between-separate-hits`, `bulk-01-priority-counter-d`.

REFOCUS produjo 57 contextos distintos y 283 idénticos a V4; 283 solicitudes finales coincidieron con KEEP. El paquete elegido cambió en 36 casos. Se podaron definiciones propias en 85 casos; 31 conservaron definiciones por las dependencias registradas. La cápsula del estado, las observaciones rivales y el log original permanecieron intactos.

Las probabilidades de un menú completo y de uno reducido condicionan sobre opciones distintas. Aumentar la probabilidad o la masa aceptable después del recorte no demuestra mayor entendimiento. KEEP frente a REFOCUS compara el nuevo contexto bajo el mismo menú. Las decisiones conservadas no son réplicas ni llamadas nuevas.

## Ejemplos verificables

- **prioridad-01 — Quick Attack sigue sin elegirse.** V4: Lucario: Aura Sphere → p2a: Arcanine (P elegida 65.00%; masa aceptable 30.00%). KEEP: Lucario: Aura Sphere → p2a: Arcanine (P elegida 64.00%; masa aceptable 31.00%). REFOCUS: Lucario: Aura Sphere → p2a: Arcanine (P elegida 64.00%; masa aceptable 31.00%).
- **bulk-01-priority-prankster-c — Corrección, KEEP → REFOCUS.** KEEP: Whimsicott: Protect → self; Azumarill: Waterfall → p2a: Machamp (P elegida 37.00%; masa aceptable 49.00%). REFOCUS: Whimsicott: Protect → self; Azumarill: Aqua Jet → p2a: Machamp (P elegida 39.00%; masa aceptable 65.00%).
- **bulk-02-speed-tailwind-c — Corrección, KEEP → REFOCUS.** KEEP: Azumarill: Waterfall → p2a: Machamp; Clefable: Helping Hand → Azumarill (P elegida 31.00%; masa aceptable 57.00%). REFOCUS: Azumarill: Aqua Jet → p2a: Machamp; Clefable: Protect → self (P elegida 38.00%; masa aceptable 59.00%).
- **bulk-01-priority-counter-c — Regresión, KEEP → REFOCUS.** KEEP: Swampert: Counter → scripted; Clefable: Protect → self (P elegida 39.00%; masa aceptable 60.00%). REFOCUS: Swampert: Protect → self; Clefable: Helping Hand → Swampert (P elegida 35.00%; masa aceptable 40.00%).
- **bulk-12-damage-substitute-d — Regresión, KEEP → REFOCUS.** KEEP: Sylveon: Hyper Voice → allAdjacentFoes; Clefable: Protect → self (P elegida 28.00%; masa aceptable 56.00%). REFOCUS: Sylveon: Moonblast → p2a: Toxicroak; Clefable: Helping Hand → Sylveon (P elegida 33.00%; masa aceptable 52.00%).

La masa aceptable suma los comandos admitidos por la clave congelada; no es probabilidad de ganar. KEEP y REFOCUS usan el mismo menú, mientras que V4 conserva el completo.

## Coste y reutilización

1020 consultas lógicas: 616 llamadas nuevas a la API, 101 referencias y 303 reutilizaciones dentro de la corrida. Uso nuevo reportado: 2221620 tokens de entrada y 48104 de salida. Intentos sin uso reportado: 0.

Construcción de contexto: 340 consultas lógicas, 276 llamadas nuevas. Decisiones: 680 consultas lógicas, 340 llamadas nuevas. El uso original de respuestas reutilizadas se conserva para diagnóstico y no se suma al coste nuevo.

## Comprobaciones y límites

Se verificaron las copias del baseline, las claves congeladas, los subconjuntos exactos de acciones, los hashes de solicitudes/contextos, las respuestas crudas, la distribución completa, la puntuación y las cuentas del broker. KEEP solo cambia los criterios; REFOCUS puede cambiar además extraContext. La selección de contexto recibe únicamente las acciones retenidas; los movimientos observados completos siguen en el log autorizado.

Son escenarios sintéticos previamente conocidos, con variantes y parejas correlacionadas. No es una evaluación representativa de partidas completas ni un conjunto independiente para validar el umbral. Las mejoras o regresiones no identifican por sí solas la causa: cambian menú, contexto y selección, y existen defectos previos compartidos del observador. No se usaron respuestas ideales para construir contextos.

## Artefactos

- `results.json`: resultados por caso, comandos, probabilidades, política y auditoría de contexto.
- `summary.json`: métricas globales, revisadas, por familia, plantilla y pareja; contabilidad.
- `contexts.json.gz`: contextos exactos.
- `traces.json.gz`: archivos crudos deduplicados por SHA-256, incluidos protocolos y respuestas.
- `archive-manifest.json`: hashes, tamaños y restauración.
- `case-results.csv`: tabla compacta para inspección.

Para reproducir la exportación: `node --import tsx scripts/report-top4-review.ts --run FINISHED_RUN --out NEW_DIRECTORY`. El exportador no usa la API y no sobrescribe carpetas existentes.

Para una nueva corrida real desde decision-lab: `node --env-file-if-exists=.env --import tsx scripts/benchmark-top4-review.ts --live --out runs/NEW_RUN`. Este segundo comando sí puede consumir API; requiere la configuración, wiki y baseline fijados por el protocolo.

Nota de edición: se compactaron los ejemplos y se añadió el diagnóstico del umbral después de la exportación. Los datos, respuestas y archivos gzip permanecieron intactos; las trazas conservan el exportador de la primera exportación.