本论文针对卫星安全领域中的安全规划分解问题，提出了一种受控候选集基准测试方法。在某些安全开发场景中，需要本地模型将高层目标转化为有序且可检查的行动计划。作者设计了一个低秩分解适配器，并发布了一个无泄漏的语料库，包含24个手工编写的卫星安全案例分解以及83个派生的下一步示例。为了避免参考计划泄漏，每个提示仅包含一个目标以及八个经过打乱的SPARTA候选方案。评估候选集通过oracle方式确保包含所有参考技术，因此衡量的是模型从受控集合中的选择能力，而非检索能力。实验采用6个固定案例和5种解码种子，对比了不同适配器与提示式Qwen2.5基线。结果显示，适配器在不同训练种子下存在不可忽视的方差。在紧凑规模（1.5B）下，24折贪心留一案例对照显示，适配器的精确度为0.583，明显高于两样本提示的0.480，但召回率略低（0.586对0.660）。在1.5B和7B规模下，适配器相对于最强提示基线的精确度提升区间跨越零，说明优势不显著。同时，适配器在格式合规性上大幅优于基线，表明分数差异并非完全来自选择能力。自回归下一步预测准确率在0.5B、1.5B和7B上分别为0.08、0.06和0.29。作者强调，该研究仅作为概念验证，提供问题定义、无泄漏数据集、可复现包及描述性分析，并不证明系统可独立可靠运行或适配器具备普遍优势。此外，论文还包含一个单独的合同重用诊断测试。该工作适合关注LLM在结构化规划任务中评估方法的研究人员。