docs(major2): steg 9 fullfoert - M38..M40 roede, K2-omkjoeringen maalt, last_ruling-paastanden rettet

M38 (attempts_remaining fra max_attempts alene) 2 roede - T3a og T5, som BEGGE
navngir M38 i sin docstring; M39 (drop --checkpoint-dir-nekten) 1; M40
(honoured=True ved revise-tid) 2. Sum: 41 kjoeringer, 40 roede, 1 groenn (M29).

K2-omkjoeringen (kriterium 8), instrumentet validert mot en kjent positiv foerst
(3 954 tegn / 1 495 tok, S7a-3s tall reprodusert eksakt): utforskningen 12
prompter / 18 355 tokens UENDRET til tokenet, debatt-promptene uendret i antall
OG stoerrelse, genererings-promptene 2 -> 4. Totalt 17 -> 19 prompter,
19 274 -> 19 776 tokens (+2,6 %). Utfallet flytter seg 200 000 -> 150 000 NOK og
dom-noekkelen be8535e2 -> f23ecff8; ekspertens ord staar ordrett i 2 av 6
proposer-prompter (0 av 4 i kontrollen).

generate.py: kommentaren paasto at `assert last is not None` ville fyrt uten
baereren. M29 maalte at den ikke KAN - D1(a) returnerer inne i loekka naar
remaining == 0, og paa siste forsoek er max_attempts - i - 1 alltid 0, saa halen
er naabar kun etter en validator-avvisning, som setter `last` ogsaa. Baereren er
uvitnet (budget_stop-presedensen), og det staar naa i kilden.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

docs/2026-09-04-major2-proposal-review-k2.md

@@ -1,14 +1,11 @@
 # MAJOR-2 — en dør for menneskelig tilbakemelding på forslaget som ligger på bordet
 
-> **Status: DELVIS — steg 9 er påbegynt, ikke fullført.** M1–M37 er målt; **M38, M39 og M40
-> gjenstår**, og K2-omkjøringen (§ 3) er ikke kjørt. Steg 10 (invariantraden + README) er ikke
-> skrevet. Dokumentet er committet i denne tilstanden fordi økten skiftes ved sømmen; neste økt
-> fortsetter fra M38.
->
 > **Måledato:** 2026-09-05 (stien bærer ordredatoen, headeren måledatoen — S7b/S2c-formen)
 > **Ordre:** `20260904T173146Z-8102814273-from-portfolio-optimiser`
 > **Kode målt ved:** `ee7da3b` (steg 1–8: `ce4c15e` · `d4c8691` · `bbf4d3b` · `59f3fce` ·
-> `c391fb5` · `fedf989` · `bfc634d` · `ee7da3b`)
+> `c391fb5` · `fedf989` · `bfc634d` · `ee7da3b`); mutasjonene M1–M40 og K2-omkjøringen er
+> målt mot nøyaktig det treet (`shasum -c` grønn før og etter hver mutasjon)
+> **Grønn kontroll:** 1363 / 5 under mutasjonsmålingen, 1364 / 5 etter README-armen i steg 10
 
 ---
 
@@ -66,7 +63,7 @@ invariantraden).
 
 ---
 
-## 2. Mutasjonstabellen — M1–M37 målt, M38–M40 gjenstår
+## 2. Mutasjonstabellen — M1–M40, ÉN liste
 
 **Grønn kontroll:** `uv run pytest -q` → **1363 passed / 5 skipped**.
 Node-ID-settet er et **strengt supersett** av pre-MAJOR-2-baselinen: 1319 → 1368, **0 fjernet**,
@@ -75,9 +72,14 @@ Golden `tests/golden/demo-transcript.stdout` **BYTE-UENDRET**, `shasum -a 1` av
 `ea8c534773acdbe41ae68f2c55724d69aaf8be4f` (ikke git-blob-id-en).
 
 Protokoll per mutasjon: hele suiten, maks to mutasjoner per Bash-kall, restaurert fra
-`scratchpad/major2/pristine/` og verifisert med `shasum -c` — aldri `git checkout`. Alle 38
+`scratchpad/major2/pristine/` og verifisert med `shasum -c` — aldri `git checkout`. Alle 41
 kjøringer rapporterte `restore=OK`.
 
+**Nevneren, med enhet:** M1–M40 er **40 mutasjons-ID-er**, men M26 er sjekket i TO lengder
+(M26a/M26b, planens funn-1-skjerping), så måleprotokollen er **41 KJØRINGER**. Av dem er **40
+røde og 1 grønn** (M29). Begge tellemåtene er sanne; dokumentet teller i KJØRINGER hele veien,
+og `coord-send`-rapporten gjør det samme.
+
 | M | hva mutasjonen gjør | røde | første navngitte armer | uavhengige vitner |
 |---|---|---|---|---|
 | M1 | detach reviewer-kallet (returner på validert som før) | 16 | T1, T2, T3a … | — |
@@ -118,18 +120,23 @@ kjøringer rapporterte `restore=OK`.
 | M35 | bygg posten fra en RETURNERT liste i stedet for kaller-eid sink | 1 | T9 alene | — |
 | M36 | dispatcheren slutter å tråde revieweren | 1 | T22 alene | — |
 | M37 | detach CLI-utskriften mens rendereren fortsatt returnerer linja | 2 | T13, CLI-null-armen | — |
-| M38 | `attempts_remaining` regnet fra `max_attempts` alene | — | **IKKE MÅLT** | — |
+| M38 | `attempts_remaining` regnet fra `max_attempts` alene | 2 | T3a, T5 | — |
-| M39 | drop `--checkpoint-dir`-nekten | — | **IKKE MÅLT** | — |
+| M39 | drop `--checkpoint-dir`-nekten | 1 | park-armen alene | — |
-| M40 | `honoured=True` satt ved revise-tid i stedet for etter hentingen | — | **IKKE MÅLT** | — |
+| M40 | `honoured=True` satt ved revise-tid i stedet for etter hentingen | 2 | T3b, T9 | — |
 
-**Sum så langt: 38 kjøringer, 37 røde, 1 grønn (M29).**
+**Sum: 41 kjøringer (40 mutasjons-ID-er), 40 røde, 1 grønn (M29).**
 
-### To signaturer verdt å lese
+### Tre signaturer verdt å lese
 
 * **M13 og M23 er røde i tester som er ELDRE enn dette arbeidet.** «Skriv artefaktet iff en reviewer
   ble gitt» (D4) holdes av A5-ens eksakte fire-navns-listing og av parse-fangstens kontroll; den
   hostede partisjonen holdes av Fase-4es to asserts. Sømmene er altså gatet av uavhengige vitner,
   ikke bare av sine egne armer.
+* **M38 er rød i TO armer, og begge NAVNGIR den.** T3a («no exception, exactly two calls»
+  under `max_rounds=2`/`max_attempts=10`) og T5 (terminalen viser `attempts_remaining == 0` under
+  `max_rounds=1`/`max_attempts=3`) er de to sidene av den samme ledger-bevisste `min(...)`: den
+  ene måler at løkka STOPPER der boka slutter, den andre at TALLET operatøren leser sier det
+  samme. Det ble VERIFISERT i docstringene, ikke antatt ut fra at armene lå i samme fil.
 * **M26a og M26b har ULIKE signaturer, og det var ikke gitt.** Ved 40 tegn overlever
   `PROPOSAL-REVIEW-SENTINEL-9c41ae` (31 tegn) i de armene hvis feedback er kortere enn taket, så
   T3b og T9 blir grønne igjen mens T1, T8 og T13 — de med lengre feedback — forblir røde. Planens
@@ -137,22 +144,108 @@ kjøringer rapporterte `restore=OK`.
 
 ---
 
-## 3. K2-omkjøringen — IKKE KJØRT
+## 3. K2-omkjøringen — kriterium 8
 
-Kriterium 8 (S7b DEL-B-kommandoen over `scratchpad/s7b-syretest/K2-priset-SYNTETISK` pluss
+Samme base, samme syntetiske prisfikstur og samme instrument som S7b § 3 og S2c § 3:
-`--proposal-review` med et pipet `revise`/`approve`-manus, mot en approve-only-kontroll) gjenstår.
+`scratchpad/s7b-syretest/K2-priset-SYNTETISK` (630 konseptfiler, erklært id `k2-trinn1-20260903`
-Manuset er forberedt: `scratchpad/major2/scripted-replies-major2.json` bærer et FIRE-stegs
+mot monteringsnavnet — S7a-3-slakken fyrer, og kjøringen sier det). K2-basen er **utracket og
-proposer-manus (to tilnærminger × to forsøk), der annethvert steg oppgir 150 000 i stedet for
+finnes kun på denne maskinen**, så kriteriet er verifiserbart her og rapporteres; det asserteres
-200 000, slik at «svaret ble BRUKT» er utfallet og ikke bare at en post finnes.
+aldri av suiten.
 
-K2-basen er **utracket og finnes kun på denne maskinen**, så kriteriet er verifiserbart her og
+**Instrumentet er validert mot en KJENT POSITIV FØR bruk:** rotnivå-listingen på LEVERT K2 måles
-rapporteres — det asserteres aldri av suiten.
+til **3 954 tegn / 1 495 o200k-tokens over 629 konsepter**, som reproduserer S7a-3s publiserte tall
+eksakt. Uten den kontrollen ville et lavt ETTER-tall like gjerne betydd at sonden var i stykker
+(MAJOR-3s falske null).
 
----
+### 3.1 De to kjøringene
 
-## 4. Ærlighets-grenser (så langt)
+Manuset (`scratchpad/major2/scripted-replies-major2.json`) gir proposeren FIRE steg — to
+tilnærminger × to forsøk, der annethvert oppgir **150 000** i stedet for **200 000**. Manus-
+posisjonen er delt over kjøringen, ikke per tilnærming (målt), så kontrollen og den reviderte
+kjøringen leser den samme lista fra hver sin ende.
+
+```bash
+# KONTROLL — samme flagg, samme manus, bare et annet SVAR
+printf 'approve\napprove\n' | uv run portfolio-optimiser K2 \
+  --docs-dir scratchpad/s7b-syretest/K2-priset-SYNTETISK \
+  --bundle-dir scratchpad/s7b-syretest/K2-priset-SYNTETISK \
+  --derive-cost-baseline \
+  --explore "Finn kostnadsbesparelser i Stange skole-anbudet" \
+  --explore-config   scratchpad/s7b-syretest/explore-config.json \
+  --scripted-replies scratchpad/major2/scripted-replies-major2.json \
+  --outbox-dir scratchpad/major2/outbox-control --run-id major2-control \
+  --proposal-review
+
+# REVIDERT — to revise, to approve
+printf 'revise Bruk 150 000, ikke 200 000\napprove\nrevise Bruk 150 000, ikke 200 000\napprove\n' | ...
+```
+
+**Kontrollen er approve-only, ikke «uten flagget».** Det isolerer SVARET: begge kjøringene har
+døra, samme manus og samme budsjett, så alt som skiller dem er hva mennesket sa.
+
+### 3.2 Utfallet flytter seg
+
+| | KONTROLL (approve ×2) | REVIDERT (revise/approve ×2) |
+|---|---|---|
+| review-spørsmål | 2 over 2 kandidater | **4 over 2 kandidater** |
+| `hypothesis-1` | VALIDERT 200 000 NOK | **VALIDERT 150 000 NOK** |
+| `own-proposal` | VALIDERT 150 000 NOK | VALIDERT 150 000 NOK |
+| kjøringens utfall | best **200 000** NOK | best **150 000** NOK |
+| dom-nøkkel | `be8535e204cdc4c6` | **`f23ecff85f4188b5`** |
+| `attempts remaining` vist | 2 | 2, så **1** på forsøk to |
+
+Begge kjøringene ender rc 0 med `ValidatedProposal`. Validatorens dom er ikke overstyrt av noen —
+det er en ANNEN kandidat som ble dømt, fordi mennesket kjøpte ett forsøk til.
+
+### 3.3 Prisen: én ekstra genererings-prompt per tilnærming
+
+| fase | prompter (kontroll) | tokens | prompter (revidert) | tokens |
+|---|---|---|---|---|
+| 1 — utforskning (navigatør 5, manager 6, hypotesiser 1) | 12 | 18 355 | 12 | **18 355** |
+| 2a — debatt (proposer 2, checker 1) | 3 | 513 | 3 | **513** |
+| 2b — generering | 2 | 406 | **4** | 908 |
+| **sum** | **17** | **19 274** | **19** | **19 776** |
+
+**Utforskningen er uendret til tokenet**, og debatt-promptene er uendret både i antall og i
+størrelse (proposer 314, checker 199 i begge). Hele forskjellen er de **to ekstra
+genererings-promptene** — én per tilnærming, nøyaktig dét en `revise` kjøper. **+502 tokens, +2,6 %**
+for en kjøring der et menneske faktisk endret utfallet.
+
+Klassifiseringen debatt/generering er MÅLT, ikke antatt: genererings-prompten bærer
+`Project: {id} - {name}` (`generate._build_messages`), debatt-turen bærer basepekeren.
+
+### 3.4 Ordene når fram — ORDRETT
+
+`Bruk 150 000, ikke 200 000` står i **2 av 6** proposer-prompter i den reviderte kjøringen og i
+**0 av 4** i kontrollen — altså nøyaktig i de to andre-forsøks-promptene, og ingen andre steder.
+
+`scratchpad/major2/outbox-revise/major2-revise-proposal-reviews.json`:
+
+```json
+{"approach_id": "hypothesis-1", "attempt": 0, "decision": "revise",
+ "feedback": "Bruk 150 000, ikke 200 000", "honoured": true,
+ "p50": 319311.8986090132, "verdict_key": "be8535e204cdc4c6"}
+{"approach_id": "hypothesis-1", "attempt": 1, "decision": "approve", "feedback": "",
+ "honoured": true, "p50": 319311.8986090132, "verdict_key": "f23ecff85f4188b5"}
+```
+
+Posten er nøklet per `(approach_id, attempt)` og bærer `verdict_key` for den kandidaten mennesket
+faktisk SÅ — attempt 0 navngir 200 000-kandidaten, attempt 1 den kjøringen endte på. Kontrollens
+artefakt har to rader, begge `approve` med tom feedback: **fila skrives uansett, fordi en reviewer
+ble gitt** (D4).
+
+**Ærlighets-grense på nettopp dette manuset:** den skriptede proposeren LESER ikke feedbacken — den
+returnerer steg 2 uansett. Det som er målt her er derfor (a) at ordene når prompten ordrett, (b) at
+et forsøk til faktisk ble kjøpt og hentet (`honoured: true`), og (c) at kjøringen bærer validatorens
+dom på DET forsøket. At en levende modell ville korrigert seg etter ordene er ikke vist, og kan
+ikke vises av et manus.
+
+## 4. Ærlighets-grenser
 
 * **`last_ruling`-bæreren er uvitnet** — se § 1. Planens «Critical risk #1» er falsifisert.
+  Kommentaren i `generate.py` som påsto at asserten ville fyrt er RETTET i samme commit som dette
+  dokumentet; commit-teksten for `bbf4d3b` bærer fortsatt den gamle påstanden, og historikken
+  skrives ikke om.
 * **Steg 5 under-rapporterer på en revidert kjøring:** en `revise` bruker ett av de SAMME
   `max_attempts`-forsøkene en validator-avvisning ville brukt, så en kjøring kan bruke opp forsøkene
   på ekspert-revisjoner og aldri nå en andre validator-falsifisering. `refinements` under-rapporterer
@@ -173,3 +266,9 @@ rapporteres — det asserteres aldri av suiten.
 * **`run_portfolio` tar ingen reviewer**, og fraværet er assertert.
 * **Ingen levende modell har svart på en review.** Alt her er skriptede stand-ins
   (structured-output-grensens klasse).
+* **K2-prisene er SYNTETISKE**, og manuset er skriptet: null modellkall, banneret sier det på hver
+  kjøring. Det som er vist er at maskineriet kommer HELT fram med et menneske i løkka, ikke hva et
+  tilbud koster. Multiplikatorene i § 3.3 gjelder dette manuset.
+* **README-armen har intet M-nummer** — M-lista lukket ved M40. Den ble drevet rød to ganger
+  (manglende blokk, og blokk uten `--checkpoint-dir` navngitt), og kontrollen på at uttrekkeren
+  ikke stille finner ingenting er `--plan-review`-blokka.

src/portfolio_optimiser/generate.py

@@ -535,10 +535,16 @@ async def generate_via_llm(
     # rejection is about to inform a further attempt; it is never read back into a prompt.
     fed_back: list[Rejection] = []
     # The most recent ruling of EITHER kind. Before MAJOR-2 the exit rested on ``last``, which only
-    # a validator REJECTION sets -- so "validated -> revise" on every attempt reached the end of the
+    # a validator REJECTION sets. The plan predicted that "validated -> revise" on every attempt
-    # loop with ``last is None`` and died on ``assert last is not None`` (and, under -O, on
+    # would therefore reach the end of the loop with ``last is None`` and die on
-    # ``None.proposal``). The carrier is explicit, and D6 reads straight off it: whatever the
+    # ``assert last is not None``; MEASUREMENT FALSIFIED THAT (MAJOR-2 mutation M29 stayed GREEN
-    # validator ruled LAST is what the run carries, never a proposal the reviewer picked.
+    # against the whole suite). D1(a) RETURNS inside the loop when ``remaining == 0``, and on the
+    # final attempt ``max_attempts - i - 1`` is always 0 -- so the tail is reachable only after a
+    # validator REJECTION, which sets ``last`` too. This carrier is therefore UNWITNESSED (the
+    # ``budget_stop`` precedent): it stands because it makes D6 explicit and removes an assert that
+    # rested on a non-local invariant, not because a test holds it. D6 reads straight off it:
+    # whatever the validator ruled LAST is what the run carries, never a proposal the reviewer
+    # picked.
     last_ruling: ValidatedProposal | Rejection | None = None
     # The expert's STANDING instruction. Unlike ``last`` it is not cleared per attempt: it holds
     # until the reviewer next answers, because a human's request survives one machine round trip.