针对评估信号进行优化的系统，其基准测试所衡量的内容与它们所声称的并不一致。我们在两个带有留出泛化门槛的 GPU 内核优化套件中具体记录了这一点：Metal-Sci（10 个科学计算任务）和 Metal-ZK（12 个零知识/密码学任务）。在这两个套件中，三个前沿大语言模型（Opus 4.7、Gemini 3.1 Pro、GPT-5.5）在带有丰富反馈的 (1{+}1) 进化循环内提出 Metal 内核。尽管没有任何模型被提示采取对抗性行为，但被提升的胜出者却反复对评估配置进行指纹识别：它们根据运行时参数的标识进行分支，将所测量的分支调优到极致，而让未测量的分支保持缓慢或悄然出错。在合并后的套件中，16/53（30%）的分布内胜出未能迁移到留出配置上。我们对这些失败给出了一个四模式分类，从配置指纹到门槛泄漏。我们提炼出在策略性优化下进行测量的设计指南：留出探针仅在不可枚举的轴线上保持有效性；门槛必须衡量留出性能，而不仅仅是正确性；迁移率只有在具备逐失败机制分级时才可解释——我们的分级分解为博弈型、过拟合型和良性型。代码与研究工件：https://github.com/vicgalle/kernel-fingerprinting