docs: 核对任务书 17，更正 C 停下原因与 B 零分格的解读，记格式重排待定

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-05 08:13:46 -04:00
parent 6096257fe9
commit 21b0884387
1 changed files with 2 additions and 1 deletions
@@ -34,8 +34,9 @@
  监督者核对（2026-10-04）：check、test 458 条重跑通过；三份账本的登记/启动/结果各 3 条、分数、采纳决定、停下原因与报告一致；改过的六份提示词自查无题目关键词。研究质量：①三份第 1 轮采纳 2.6307–2.6343，离已知最好 2.635983 不到 0.2%，不低于参考项目 5 次里最好的第 1 轮（2.6319，且参考提示词带做法）。②押注：三条被采纳的完整路线实测比合并中位数高 0.15–0.21（B/c3 超过九成数），A 那次完整路线 c2 押 2.43 没入选、入选的 c3（推挤）押 2.47 实测 2.45——研究者系统性押低完整路线，是 Jev 比上限检验的数据。③核验：拦下 1 处实质问题（B/c3 指标来源混入兜底值）、修复只动根因；漏过 4 个候选的细节偏差（指标在边角情况写数不写 null、按秒停止的检查点少一处），主体算法 6/6 照协议；没有误判不通过。漏的都在指标和停止条件上，第 4 部分消融要靠这些指标解释，到时看影响。④A/c1 实验员在宿主用随机 26 点检查 LP 约束组装和雅可比，没跑搜索、没拿候选的分数，不算私跑试验，不处理。⑤路线对照能重复：完整路线提案两组都 7/9、入选完整 5/6；"读代码前先列几种解法"仍只 3/18，再次说明变化来自"冲分"那条。修复用完不跑的分支真实运行没碰到，只有免费测试覆盖。

 - 任务书 17（flow 第 4 部分：消融到收尾，已完成）：提示词 `d788500`（解释/收尾/消融实现/消融核验四份任务提示词按三份调研+两份真实记录诊断改写，监督者三条核实后采用：收尾改为"沿因子继续或换路线"、贴近已知最好处境段、消融提示词与角色提示词去重；泄露自查零命中），流程 `144b884`（⑬–⑱、轮末解封、一轮接一轮、停在"导出还没写"），检验 `0ae495f`，末轮余额为 0 整轮被跳过的缺陷修复 `3f7de96`（真跑发现，附回归测试）。flow 2118 行（上限 3500）、materials 1930 行未动、vocab 1154 行（pi-lens 拆行所致，超 1150 四条，待用户定）。`npm run check` 通过、`npm test` 477 条通过。
-  五份真模型／Jev／Docker 研究同时跑（3 份一批 + 2 份替补）：**B、D 两份完整跑完**（各 13/13 次运行、余额 0、停在"导出还没写"、12 项账目检查全过）。B：采纳 2.625605→2.631094→**2.635983 追平已知最好**，第 1 轮杀消融运行的控制进程三条检查全过（同容器续等、只扣一次、照常结算）；D：采纳 2.557163→2.590693→2.605124，第 3 轮三格全测、配合关系"互补"。A 停在 r5 第二次预测（研究者写完分析没调提交工具）、C 停在 r2 回应（Jev 连退 10 次"自相矛盾"，协议 88/92 秒闸两处不一致，模型 10 次没改掉——核实不是误伤）、E 停在 r1 回应（GLM 内容审核误拦，见"未完成"那条）；三份均按方法停下，用户决定不追究 A/C、放弃 E 不再替补。
+  五份真模型／Jev／Docker 研究同时跑（3 份一批 + 2 份替补）：**B、D 两份完整跑完**（各 13/13 次运行、余额 0、停在"导出还没写"、12 项账目检查全过）。B：采纳 2.625605→2.631094→**2.635983 追平已知最好**，第 1 轮杀消融运行的控制进程三条检查全过（同容器续等、只扣一次、照常结算）；D：采纳 2.557163→2.590693→2.605124，第 3 轮三格全测、配合关系"互补"。A 停在 r5 第二次预测（研究者写完分析没调提交工具）、C 停在 r2 回应（Jev 连退 10 次"自相矛盾"，执行者认为是 88/92 秒闸两处不一致；监督者核对最后一版协议：88 秒是首轮新种子闸、92 秒是扰动新轮闸，条款写明"不使用首轮的 88 秒闸"，是两道闸，不矛盾，只有改动摘要一句"首轮与扰动轮统一"含糊。Jev 在未校准的 0.5 门槛附近（0.61–0.63）连退，可能是误判，收进 Jev 校准集）、E 停在 r1 回应（GLM 内容审核误拦，见"未完成"那条）；三份均按方法停下，用户决定不追究 A/C、放弃 E 不再替补。
  研究质量（全新上下文子 Agent 独立审阅 B、D 各四份，在 `/home/iomgaa/inforsi-eval/2026-10-04-task17/`）：解释机制具体、范围有依据、"没有具体机制判断"用得诚实，但第 1 轮三人对关键格同向全错（B 的 p2 格实测 0 分、惊讶 19.25 比特；对冲第二条刚写进提示词还没赶上）；选中的格都是分歧最大/最能改方向的格，B 第 2 轮因意见一致净值全负一格没测（方法.md 第十二部分第 7 条的真实案例）；消融 5 格经独立逐行核对全部只关指定因子、核验员判定全对；收尾不混淆"改法有效"与"机制证实"，接力是实的（B 的 r2–r5、D 的每轮因子都能在上轮收尾找到出处）。B 与带做法提示的参考项目 15-tight-2 同到终点（慢一轮）。
+  监督者核对（2026-10-05）：check、test 477 条重跑通过；B、D 账本运行登记/启动/结果各 13 条，采纳序列与报告一致，B 第 3 轮 2.63598308469 等于已知最好；每轮选中的候选都有解封（D 第 5 轮余额只剩 1、只选 1 个）；末轮修复 `3f7de96` 逻辑对（已开始的轮次照常走完，余额为 0 只挡新一轮）；提示词改动窄、有诊断依据，研究者角色提示词没动。更正报告一处说法：B 第 1 轮关多起点那一格"合法、0 分"，是单起点从基线三环的近重合圆心出发，联合求解假成功（违反量 1）后固定圆心配半径得 0，测到的是"单起点碰上坏起点"，不是"多起点撑 157%"；研究者收尾自己读对了（指出退化起点，并说明"低于基线就退基线"是因子不是保障）。格式：执行者用的 Pi 带 pi-lens，自动重排了它碰过的文件（`fdda4f0`、`2ca6da1`；flow 约 450 行、vocab 超上限 4 行都来自重排），仓库里两种格式混着，待用户定。
  证据根 `/home/iomgaa/inforsi-eval/2026-10-04-task17/`：五份研究目录在 `2026-10-04-full17-{a,b,c,d,e}/`；`stats-{a,b,c,d}/`、B/D 各四份审阅 txt（`*-expl`、`*-ablation`、`*-wrapup`、`*-tables`）、三份调研与两份诊断 txt、`review-{b,d}/` 审阅导出。完整交付报告为同目录 `report.txt`。

 ## 关键决定（用户原话见各提交说明）