该论文研究 AI 生成 RTL 验证计划在硬件安全场景下的可信度问题。作者指出:大模型生成的验证计划即使通过了服务商(provider)的响应 schema 校验,也可能在进入可信执行环节时失败,即「schema 合规」不等于「执行有效」。为此他们构建了 SecTB-RTL——一个可审计的评测框架,包含 31 项任务与 124 个由人工撰写的硬件安全回归项(security regression),用于在受控条件下评估 AI 生成的验证计划能否真正触发并检出安全问题。作为参照,一个确定性的非 AI 基线在不同资源上限下分别杀死 36、75、78 个变异体(mutant),说明该基准本身具备判别力。随后开展预注册的确证性实验:第一轮 C1-R2 在模型尚未执行前即告失败,原因是服务商拒绝了其响应 schema;作者在不查看结果的前提下只做 schema 层面的修复,再冻结并运行后续实验 C1-R3,共发起 1,860 次调用,服务商接受了其中 1,857 条响应,但最终仅 9 条通过生产环境的语义校验器——生成阶段的规则与执行阶段的规则并不匹配。因此作者未把该轮结果当作提示词效果的证据,而是将其保留为一次「测量仪器有效性事故」(instrument-validation incident),并明确不报告任何 prompt 效应估计。核心结论是:服务商或 schema 层面的「接受」不能确立执行有效性;编译通过与覆盖率只是诊断指标,只有被精确保存的产物本身走通完整生产路径才算有效。作者还公开了基准、失败保留契约(failure-preserving contract)、事故溯源与治理控制措施,以防止把基础设施自身行为误报为模型行为;另一个后续实验因未满足预注册的证据完整性门槛被排除,仅列为未来工作。