向上再平衡——cut 与 price 向上流动
一个节点已经在它的局部均衡处完成了拆分，结果依然糟糕——它能不能把这个情况往上推，带着足以让祖先节点重新评估自己那一层均衡的信息？可以——而且优化理论已经把这套机制经营了五十年：分解方法（decomposition methods），cut 与 price 向上流动。
1. 把"在均衡点上仍然糟糕"说清楚
该节点算出自己的局部 U 曲线，发现 它的配额——曲线的最小值就已经高于父节点分配的 (α, B)。这不是一个"再努力一点"的信号，而是一份不可行性证明：在我的预算内，没有任何粒度能满足我的 spec。它与轨迹冲突（"这次尝试失败了"）在性质上不同：这是一个结构性冲突——出问题的不是任何一次执行，而是父节点的取景（framing）本身。
2. 向上传递的是曲线，不是失败
向上传递的消息带的是这个局部问题的形状：可达到的下限 、哪一项占主导（split-α 还是 leaf-ε）、以及地形在哪里是恶劣的（哪些子区域落在模型能力流形之外）。恰好对应经典分解方法里的两个等级：
- 硬的一面：Benders 可行性 cut。 子问题不可行时，Benders 分解不会只返回"失败"——它返回一个 cut，用来约束主问题下一次的选择："在这个预算下，任何用这种方式取景这片地形的拆分都不可行。"这个对应关系是严格成立的：no-good learning ≡ 组合 Benders cut（Codato–Fischetti）。所以这正是conflict-learning-and-backjumping那套机制，从决策维度推广到了粒度维度：一次普通的回跳（backjump）改变的是分支；一个可行性 cut 改变的是树的形状。
- 软的一面：price（对偶）。 即便一个子节点是可行的，它也会报告自己满足 spec 的边际成本——也就是其约束的影子价格（shadow price），即hard-to-soft-constraints的拉格朗日乘子读法。父节点随后在兄弟节点之间重新分配配额（把
α/B从便宜的孩子挪给昂贵的孩子），而不需要重新拆分——这是 Dantzig–Wolfe 式的价格协调。
3. 父节点如何重新达到均衡
父节点自己的 U 曲线，本是建立在对每个区域 ε(s) 的估计之上的；而子节点报回来的，是实测的地形。用实测替换估计 → 父节点的曲线移动 → 它的均衡点随之移动 → 它换一种方式重新拆分；如果它自己的新下限也超出了自己的配额，这个 cut 就再往上传一层——如此递归，直到某个祖先节点能吸收它，或者一路传到根。在根节点上，一个无法被吸收的 cut，就是giant-tasks-nonprimitive所说的加公理时刻：人类扩展这个系统（更多预算、放松 spec、新的证明形式）。
4. 为什么它不会振荡
Cut 是单调累积的（主问题的可行集只会收缩），α/B 的账本也只会被消耗——这正是让 CDCL 收敛的那条"赋值非单调、知识单调"的腿。每一次重新均衡都要从账本里付账，并且永久性地收窄搜索空间。机械协调者负责存储这些 cut（no-good 存储泛化为 cut 存储），并按来源（provenance）路由它们。
5. 闭合的循环
任务树本身就是一个分解算法——主问题就是父节点的拆分选择，子问题就是各个子节点。"该往上传什么"这个问题，优化理论五十年前就给出了答案：cut 与 price。从逻辑到优化的这次迁移，又一次在树的上行通道上闭合了。
一个在任何粒度下都无法满足 spec 的子节点，并不是失败了——它是在教：它送上去一个 cut，重塑父节点的问题；送上去一个 price，重新平衡整个家族的预算。