InfoRSI/tasks/circle_packing/TASK.md

填圆任务（n=26，单位正方形）

这份文件写的是题目本身和任务契约：题目是什么、评测怎么判分、产物写在哪、键名怎么写。 研究者读它弄清题目和评测；实验员照它写代码，提案里的内容这里不重复。

目标

在单位正方形 [0,1]² 内放置 26 个互不重叠、不越过边界的圆，最大化半径之和。

最终指标：sum-of-radii，越大越好。

量级参照：容差 0 的口径下，26 个圆公开的最好半径和约 2.635983（AlphaEvolve 续作公开的构造， 按它自己的严格校验在本机重算得 2.6359830849）。常见的"2.635"是白皮书截到三位小数的数，不是另一个纪录。 别处报告的更高的数要先看容差：容差放到 1e-6，把每个半径加 5e-7 也判合格，和就能到 2.635996——那是口径不同，不是更好的摆法。

成绩是从你交出来的产物算的，不是从你返回的那个数读的。 validate.py 读 solution.json 里的 26 个半径，用 math.fsum 求和，那就是成绩。

你在 run_packing() 里返回的第三个值（sum_of_radii）不是成绩。 harness.py 照常把它写进 solution.json 的 reported_sum 字段，但 validate.py 根本不读这个字段：它不进判定、不进诊断，也不跟任何数对账。 所以这个数写过期了、跟半径对不上，产物照样合法，成绩照样是算出来的那一个。

只有一件事要注意，而且跟对账无关：harness.py 落盘时不接受非有限数， 所以这个值要是 NaN 或无穷大，整份 solution.json 根本写不出来， 这次运行连产物都没有。返回一个普通的有限数就行，哪怕它是错的。

评测会收下什么

判断代码里一段检查、修复或兜底"挡掉了谁、改了什么"，要先知道评测本身会收下什么。 评测收下一次运行，按下面的次序：

1. 你交的 solution.json 形状对（26 个圆心、26 个半径）、全是有限数、半径不为负、圆心都在正方形里。 这几条任何一条不成立，评测不收，也不修。
2. 原产物按容差 0 判：任意两圆不重叠、每个圆不越出正方形边。成立就收下，成绩是原产物的半径和。
3. 不成立时，先按下一节"只缩不移合法化"修一次，修后再按容差 0 判。修得好就收下，成绩是修后的半径和 （只比原产物低一点）；修不好才不收。

所以"差一点不合法"（重叠或越界只有浮点零头那么大）的产物，评测本来会收，只扣掉零头。 候选代码里比这更严的检查——例如容差 0 判不合法就把这个起点整个丢掉、或换成另一份解——挡掉的正是评测会收的产物， 它改的是交出去的答案，不是"让代码合法"。反过来，只在评测确实不收的情形（形状不对、非有限数、圆心出界） 才动手修或换的代码，在评测会收的运行上不改答案。

差一点不合法时：只缩不移合法化

校验器先按容差 0 判你交的原产物。原产物不合法时，宿主按下面这条写死的规则修一次， 只缩半径、不挪圆心，修好了就用修后的半径和当成绩：

1. **只缩参与违反的圆。**每个圆的半径减去它参与的最大违反量——跟别的圆重叠的量、 越出正方形边的量，取最大的那个。没参与违反的圆一个都不动。
2. 缩完仍不合法（浮点舍入留下的零头），把这些圆的半径各往 0 挪一个最小的浮点单位， 再判，直到合法。
3. 同一个校验器按容差 0 重判修后的产物。
4. 修不了：有圆心在正方形外面；参与违反的圆半径都缩到 0 仍不合法； 形状不对、含非有限值或负半径（这些不是"差一点"，缩半径解决不了）。 修不了的运行照旧记失败，运行次数照扣——跟跑崩、超时、没产物一样。

缩小只会降分，所以这条规则不会让不合法的摆法比合法的更高分。它管的是"浮点上差一点"： 例如两个圆重叠 2.8e-17，修后扣掉约 2.2e-16。要一分不扣，就在代码里给每个圆留一点空隙。

每次运行多记三个数，跟成绩一起进运行记录：原违反量（raw-violation）、 原分数（raw-score）、合法化扣掉的分（legalization-deduction，原产物合法时是 0）。

什么样的结果才算数

下面五条不是禁令，是这次实验要成立需要的条件。写出来是为了让你知道该往哪边走， 不是为了防谁。

一 · 成绩必须是算出来的，不能是写死的

代码里可以有常数：半径比例、松弛步长、网格怎么划分、迭代多少轮，都可以写死。 不能有的是一张 26 行的答案表——把某次跑出来的圆心和半径直接抄进源码返回。

为什么：研究要找的是方法，不是一个数。一份写死的答案没有机制可以解释—— 问它"为什么这个改法有效"，答案是"因为答案是抄的"，而这句话不会出现在提案里。 一个没有方法的高分会让整轮研究的结论是假的：后面几轮会建立在 "某某方向有效"这个不存在的发现之上。

二 · 只读工作目录里的东西，不联网

你可以带自己的数据文件，它们会跟代码一起冻结、一起放进工作目录。 但运行时不要去读工作目录外面的文件。正式运行的容器是断网的，网络请求一律失败。

为什么：冻结的代码要能完整说清"这次跑的是什么"。 从网上取一份东西进来，那份东西明天可能就变了，这次运行就再也重现不了； 读工作目录外面的文件也一样，那个文件不在冻结的代码里。

三 · 在执行限额之内跑完

每次正式运行的墙钟时限是 120 秒、1 核，同一批候选都一样。到时限还没结束，进程被直接杀掉， 这次运行记为超时失败，运行次数照扣。

为什么：跟基线比的前提是同样的条件。用一百倍时间换来的成绩， 说明的是算力，不是方法。

四 · 用了多少算力要说出来

每次运行都记墙钟时间（wall-seconds）、CPU 秒（cpu-seconds）和峰值内存（peak-memory-bytes）， 材料里同时写"是基线的几倍"和"占单次时限的几成"。这些只记录，不影响采纳。

加大搜索预算本身是正当的做法，不需要藏着。但用远多于基线的算力换来的提升， 说明的是算力，不是方法——所以要在提案里写明加了多少、为什么值得。

为什么：跟基线比的前提是同样的条件。一次多花一百五十倍时间、换来百分之七提升的运行， 如果被记成"某某改法有效"，后面几轮会去改那个改法，而真正起作用的是预算。

五 · 说了什么就要真的做什么

代码和注释里写了"迭代到收敛"，就要真的迭代到收敛；写了"最多 1000 步"， 就不能实际只跑 2 步。

为什么：这一条跟前面几条不一样，它坏的不是成绩，是解释。 成绩可能完全是真的、可复现的，但"松弛到收敛有效"这条结论会进记录， 下一轮建立在一个没有发生过的机制之上。对不上的时候， 该作废的是那条结论，不是这次运行。

这也是为什么第一条说"没有方法的高分会让整轮研究的结论是假的"—— 证据链上的错，后面每一轮都看不见。

运行方法

候选可以是多文件 Python 项目，普通相对数据资源会保留；入口 initial.py 必须定义：

def run_packing():
    ...
    return centers, radii, sum_of_radii  # (26,2)、(26,)、float

正式运行由程序启动，在任务镜像里、断网、1 核、120 秒时限下执行（工作目录就是你的代码目录）：

python -B harness.py --program initial.py --output solution.json

跑完以后，宿主把 solution.json 复制到另一个目录，用自己保管的校验器判分：

python -B validate.py --circles 26 --solution solution.json --atol 0 --legalize --verdict verdict.json

harness.py 在 import 候选前，用环境变量 INFORSI_SEED 给的种子字符串（取 SHA256 前 4 字节大端整数） 初始化 Python 的 random 和 numpy 的 random，执行候选并原子落盘原始解，不做任何有效性判断。 import 之前它还会删掉工作目录里已有的 solution.json 和 metrics.json，宿主读到的只会是这一次写的。 你要用随机，用这两个。同一份研究的全部运行用同一个种子，所以同一份代码跑两次，结果逐位相同。 task.json 的 unversionedNames 列的名字（__pycache__、.git、solution.json、metrics.json）在任何一层目录都不会存进代码版本：程序冻结你的工作目录时跳过它们，所以不要把要交的代码或数据放在这些名字下面。

validate.py 是独立校验器，重算半径和并检查形状 / 有限 / 非负 / 边界 / 重叠； 加 --legalize 时按上面"只缩不移合法化"一节修差一点不合法的产物（正式评测就是这样调的）。

写代码的过程中可以做轻量检查：由宿主在同一个镜像里跑，只看语法和入口函数， 不执行候选的任何一行代码。它有次数和时长上限（每次几秒），不算一次正式运行。

不要自己跑正式规模的求解。 正式运行要先登记、再启动、再扣次数，由程序统一做； 正式规模的求解哪怕叫"调试"，也是正式运行，不能借轻量检查或自己的 shell 绕开预算。

诊断实验怎么拿到原始产物

诊断实验（在当前基线上只动一处、再看分数）不走上面的 run_packing()。实验员把本轮选中的全部实验写进一份诊断程序， 它从当前基线的代码出发，入口仍是 initial.py，但要定义的是：

def run_experiment(experiment_id, baseline_dir):
    ...
    return centers, radii, sum_of_radii  # 与 run_packing() 的返回值同形

• experiment_id 是实验编号原文，函数里按它分派到各个实验；每个实验只动它写的那一处，其余照基线。
• baseline_dir 是产出当前基线的那次正式运行的原始产物所在的目录，相对工作目录，现在就是 baseline-artifact。 里面有一个文件 solution.json：当时那次运行交出的原始解（centers、radii、reported_sum，合法化之前）， 实验要接着算的答案就在里面。程序把它只读地放进你的工作目录（文件权限 0444），运行时每个实验读到的是同一份； 不要改它，也不要把它当成自己代码的一部分：存代码版本时 baseline-artifact 这个名字被跳过。
• 一次诊断运行是一个容器、一次正式运行的名额，总时限和核数同上（120 秒、1 核）。容器里的诊断 harness （harness-diagnosis.py，宿主保管，由程序放进运行目录）按实验顺序一个一个跑，每个实验开一个单独的进程， 分到总时限 ÷ 实验数的时间，到时被直接杀掉。numba 的首次编译、数据载入都算在这份时间里。 一个实验崩了或超时，只记这一个实验失败，后面的照常跑；整次运行被总时限杀掉时，没轮到的实验记"没轮到"。
• harness 记下每个实验实际用了多久、有没有超时。每个实验的答案写在 answers/<实验编号>/solution.json， 由宿主的校验器按上面"评测会收下什么"的次序逐个单独判分（包括只缩不移合法化）。
• 实验登记的假设专用指标，写法同下面"指标怎么交给宿主"：在 run_experiment 返回之前往工作目录的 metrics.json 写， 键照抄 metrics-spec.json 里这个实验自己登记的指标编号（该文件里是本轮全部实验登记的指标，别的实验的不用写）。 每个实验开始前 harness 会清掉工作目录里的 metrics.json，不会串到下一个实验。诊断实验登记的指标一律是"缺了只记缺失"， answer-path 和 safeguard-triggers 两个保留键不用写。
• 诊断实验的答案不会被采纳为基线，只用来看这个方向还剩多少空间。

指标怎么交给宿主（这一节最容易写错，先读完再动手）

工作目录里有两个指标文件，一进一出。路径都相对工作目录，也就是 harness.py 运行时的 cwd，不要写绝对路径。

metrics-spec.json：宿主写给你的

宿主在准备运行目录时写好它，内容是这次运行登记的假设专用指标定义， 一个 JSON 数组，每个元素是一条指标：

字段	含义
id	指标编号，宿主按它取值
meaning	这个量测的是什么
unit	单位
direction	maximize 越大越好，minimize 越小越好
howMeasured	研究者写的测法：在什么时刻测、测几次、怎么合成一个数。你照着它实现
missing	测不到时这次运行怎么算：recordMissing 只记缺失、成绩照常；invalidateRun 整次作废

没有假设专用指标时，这个文件是一个空数组 []。

metrics.json：你写给宿主的

一个 JSON 对象：键必须是 metrics-spec.json 里那条指标的 id 字段原文， 值是有限数或 null。另外每次都要写两个保留键（下面"两个保留键"一节），它们不是指标、值不是数。

编号从 metrics-spec.json 里照抄，不要自己拼。宿主按编号取值，键对不上， 这条指标就记成"测不到"加一句原因——而成绩完全正常，报告上看不出任何异常， 只是研究者分析机制时悄悄少了一块证据。

四条硬要求：

1. 键照抄 id，见上。
2. 值是有限数或 null。测不到就写 null，不要写 0。 写 0 之后宿主分不出"测到了一个 0"和"没测到"，而这种错事后从证据里查不出来。 算出 NaN / inf（退化布局里零半径参与的比值最常见）也一样，那是"没测到"。 harness 会把非有限值原样改写成 null 并在 stderr 记一行，退出码仍是 0—— 成绩不受影响，但那条指标这一次就是没有数据。
3. 必须在 run_packing() 返回之前写完。 harness 在候选返回后立刻整理这个文件； 之后再写进去的内容不会被整理（非有限值不会变成 null，裸 NaN 会让宿主整份读不出来， 这一次所有假设专用指标一起丢，不只是坏的那一条）。
4. 键多了无所谓，宿主只按 metrics-spec.json 里的编号取值；键少了，缺的那条记"测不到"加一句原因。

文件不存在表示这一次的假设专用指标一个都没测到——这是一个明确状态，不是错误， 但它和"写错了键名"在报告里看起来一样，所以别靠它。

测不到的后果看 missing：选了 invalidateRun 的指标测不到，这次运行整次作废、不能被采纳， 运行次数照扣；选了 recordMissing 的只记缺失。

两个保留键：答案出自哪条路径

研究者不能运行代码，"最终交的答案到底是哪段代码给的"只能读代码猜，猜错了没人发现。 所以每次运行由你的代码自己说出来，写在同一个 metrics.json 里：

键	值	写什么
answer-path	字符串	最终交的答案出自哪里：main（正常主流程），或冻结协议因子清单里某个因子的编号（p1、p2……），或保障清单里某条保障的短名
safeguard-triggers	对象	键是冻结协议保障清单里的每一条保障短名，值是这次运行里它动手了几次（非负整数，没动手写 0）；保障清单为空时写 {}

• 这两个键不是指标，不参与成绩判定；写错、没写都不作废运行，宿主照实记"候选没写答案路径" 或"不认识的路径：原文"。但研究者下一阶段就靠它看"这一格量到的是因子还是保障"，所以要如实写。
• 消融格（关掉某个因子的版本）同样要写：关掉的因子不会是答案路径；如果关掉之后答案改由某条保障给出，就写那条保障。
• harness 不改写这两个键（指标值才会把非有限数改写成 null）。同样要在 run_packing() 返回之前写完。

一小段示例

import json
import math

SPEC_FILE = "metrics-spec.json"
METRICS_FILE = "metrics.json"


def run_packing():
    with open(SPEC_FILE, encoding="utf-8") as handle:
        spec = json.load(handle)
    # spec[i]["id"] 就是宿主认的编号，spec[i]["howMeasured"] 是照着实现的测法。
    # 这里按这次实际条数对号入座，下面只演示一条。
    spread_id = spec[0]["id"]

    centers, radii, reported_sum = solve()

    spread = float(max(radii) - min(radii))
    measured = {
        spread_id: spread if math.isfinite(spread) else None,
        # 两个保留键：答案出自主流程；协议里的一条保障 "shrink-repair" 这次没动手。
        "answer-path": "main",
        "safeguard-triggers": {"shrink-repair": 0},
    }

    # 在 return 之前写完，路径相对工作目录。
    with open(METRICS_FILE, "w", encoding="utf-8") as handle:
        json.dump(measured, handle)

    return centers, radii, reported_sum

最终指标 sum-of-radii 和合法性判定不经过这条链：它们由 validate.py 从 solution.json 独立重算，你不用也不该在 metrics.json 里写它们。

允许修改范围

候选只能修改自己代码目录里的 *.py 和自带的数据文件（基线的入口是 initial.py，其中 EVOLVE-BLOCK-START / EVOLVE-BLOCK-END 之间是官方预留的进化区域）。 不许改的文件见同目录 task.json 的 protectedFiles；程序会检查有没有改它们。 harness.py 和 metrics-spec.json 在准备运行目录时由宿主放进去，你目录里的同名文件会被盖掉； 校验器和轻量检查脚本由宿主保管，不在你的目录里。也不要改校验容差或执行限额。

基线与许可

baseline/ 为 SakanaAI/ShinkaEvolve 官方代码，Apache-2.0（见 baseline/LICENSE）， 固定提交与 sha256 见 baseline/SOURCES.md。基线的嵌套缩半径循环与退化布局是 刻意保留的原始事实，不得"修复"——任何改进必须作为正式候选经过研究流程。

依赖

Python 3.13。正式实验环境里装的第三方库只有下面这些，版本与 requirements.txt 逐行一致：

包	版本	用途
numpy	2.3.1	数组与矩阵运算
scipy	1.18.1	数值优化、线性规划、空间距离计算等
numba	0.67.0	把 Python 循环编译成机器码
llvmlite	0.49.0	numba 的编译后端
sympy	1.14.0	符号与精确计算
mpmath	1.3.0	任意精度浮点运算（sympy 依赖它）
networkx	3.7	图结构分析

**依赖只有镜像里的这几个包。**运行时不能再装别的包：正式运行在固定的镜像里跑、容器断网， 你在工作目录里装的包进不了正式运行。

**每次运行只有 1 核。**容器按 --cpus=1 限总量，环境里 PYTHON_CPU_COUNT=1， 所以 os.cpu_count()、multiprocessing.cpu_count() 都报 1。多开进程或线程不会更快， 只会互相抢这 1 个核、少干活。数学库（OMP_NUM_THREADS）和 numba（NUMBA_NUM_THREADS）的线程数都固定为 1。numba 首次编译函数的时间算在这次运行的墙钟里。

**环境由镜像钉死。**任务跑在 Dockerfile 建出来的镜像里，这些库都烧在那个镜像里。 镜像在研究开始时建一次，镜像编号冻结进账本；一份研究不能自己改依赖。

（给维护者：Dockerfile 的基础镜像经 dockerproxy.net 拉取，换机器时可能要改这一行。）