iomgaa
446e26224e
- src/materials：每种提交一个材料函数，生成给模型看的材料、第一条消息、对号清单、能读的代码版本；查询只在材料内按编号找；读提示词并算原始字节哈希；信念本按方法.md 6.10 现算。 - 账本里只存成 Json 的冻结协议、位置表、决定、结算的形状和编号规则由 materials 定义并导出。 - vocab 加 Checklist（对号清单）。 - prompts/：参考项目 3 份角色提示词、16 份任务说明，只做必要改动。 - TASK.md 补一句 unversionedNames 不存进代码版本。 - 方法.md 4.3 ① 改为"研究者任务"放信念本；结构.md vocab 上限 1150、补 materials 对外内容。 用户 2026-10-03 开工前的四个决定（选的都是推荐项）："甲：上限改 1150，只放对号清单"；"甲：materials 定义并导出"；"不放，改方法.md ① 的措辞"；"按原提案挑"。 Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
7.2 KiB
写解释
本批正式实验跑完了，成绩已经公开（材料"本任务要处理的东西"里有本批每次运行、实现说明和核验结论）。如果本轮有改法被采纳、而且它不止一个因子，接下来程序会把它的因子一格一格地关掉重跑；材料"本轮要给三个数的格"一节列出了这些格，每格写着关掉的是哪个因子、关掉时换成什么，以及完整代码和本轮基线各多少分。
在任何一格开跑之前，请你写下你对"结果为什么是这样"的理解。要赶在前面写，是因为只有事前写下的判断，事后才能拿来对号；跑完再解释，怎么都说得通。你交上来的解释会冻结，消融跑完以后原样给下一轮的研究者看，连同它在每一格被确认还是否定。
一条解释是什么
一条解释就是一段话：你认为分数主要是哪个因子挣来的，靠的是什么道理，在什么情况下这个道理会失效。如果你认为某个因子要靠另一个因子才起作用——比如"没有随机挪动，多起点重启就几乎没用"——也写进来，这正是一条能被检验的预测。
然后把这段话翻成数：对每一格，写"关掉这个因子以后，最终指标大概落在哪"，给一成、一半、九成三个数，按最终指标的原值写。想的时候不需要推代码，只问自己：这个因子撑了总提升的几成——几乎没有、一小部分、一大半，还是几乎全部？撑得多，关掉后就靠近基线；撑得少，就靠近完整代码的分数。各格是分开测的：关一个因子时其余的因子和保障都照完整代码保留，所以几格"少掉的分"加起来不必等于总提升——几个因子互相帮忙时加起来会更多，在做同一件事时会更少。拿不准就放宽，宽到把你犹豫的几种情形都包进去；但也别宽到什么结果都包得住，那样的范围跑完以后什么也说明不了。
写的时候如果发现自己在把某段代码套到具体的数上，一步一步推它会算出什么，那就是在替消融做它要做的事。停下来，回到"这个因子撑了几成"这个问题（系统提示词"读代码的路径，不在脑子里算数值"）。读路径是该做的：关掉这个因子以后，代码会走哪条分支、某条保障会不会每次都被用上，这正是一格可能量错东西的地方。想知道一次已经跑完的运行里某个量具体是多少，用 research_query 查材料里列出的产物记录编号，答案就在里面。
先看这几样
运行记录里每次运行都写着"答案出自：……；保障动手次数：……"。完整代码那次的答案出自 main 还是某条保障，关系到你对每一格的判断：如果关掉某个因子以后，答案很可能改由某条保障给出，那一格量到的就是那条保障，而不是关掉这个因子的效果——值得在解释里写一句。材料"本轮实验员实现时的提醒"是实验员照协议写代码时看出的问题，常常比研究者的推理更早看到某条保障会挡掉什么，读一遍。协议里写明"未实测"的数、挑刺与回应里标着"（推测）"的判断，是别人的猜想，不当证据用。
写几条、写成什么样
交一条解释就够。只在你真有第二个、不同的机制判断时，才交第二条：同一人的几条在合并时平分你的分量，一条你自己都没多大信心的"对照"解释，会分走你主解释的一半。几条解释不必互相排斥，范围也可以重叠。和别人的解释不一样很正常，照你自己的理解写，不必向大家看齐。
推广一条结论时，说清它覆盖了哪些设定、没覆盖哪些。"不重跑优化、幅度 0.01 的扰动爬山没用"不等于"扰动精修没用"：后者会让下一轮没人再去试"重跑优化、幅度 0.03"。因子的关键设定写在因子清单里，引用时带上它。
先想清楚哪些运行能当证据：没跑成的、成绩判为不合法的、测不到的都不能。已经测到的分数可以直接引用。提到某次运行时带上运行编号，读的人才能核对。研究记录里前几轮的消融结果和信念本"按因子"一栏值得看：类似的因子以前撑了多少、哪些解释被确认过。
跑完以后，实测落在你某一格的范围外，这条解释在那一格就被否定；落在里面就确认，每格各判各的。被否定不是扣分，而是告诉下一轮的人"这里的理解有偏差"，和"这里猜对了"一样有用。两条解释在这次消融里总是一起确认或一起否定，程序会记"现有测法分不开"，这也不是不合格。某一格没测出有效分数（跑崩、超时记"证据不足"，另有"跑不起来""没测"），那一格不判。
如果你看完结果，确实说不出哪个因子在出力、为什么——因子多、结果平淡、本批只有一次相关运行时这很常见——就直接写"我没有具体机制判断"，三个数照实写宽。这是一条有用的诚实记录。硬编一个机制，消融一跑多半会被否定，还会让下一轮的人以为这里有过一个认真的猜测。
本轮没有消融格时（材料会写明），每条解释只写正文：本批结果为什么是这样，哪些只说明改法有效、还说明不了原因。不交各格的三个数（cells）。
两份样本
下面两份来自另一道题（在一个训练任务上提高验证集准确率，越大越好；本轮基线 0.700，被采纳的完整代码 0.760；三个因子：p1 学习率预热 500 步，p2 把 SGD 换成 Adam，p3 标签平滑 0.1），是两位研究者各自交的一条，结论方向相反，只示范写法和篇幅，不要照搬内容。
解释一
收益大半来自 p2。基线的 SGD 在给定步数内远没收敛：运行 r1-c1 的训练损失到最后仍在明显下降。换成 Adam 后同样步数走得远得多，我估它撑了总提升的七八成。p1 预热主要让 Adam 前几百步不发散，单独的作用小；我的判断是它的作用依赖 p2——在 SGD 上预热几乎没用，但本轮只关一个因子，这一点只能记在这里。p3 标签平滑在这个数据量上影响很小，可能还略有负作用。什么情况下不成立：如果关掉 p2 后分数仍然接近 0.76，说明 SGD 其实不缺步数，收益来自别处，这条解释就错了。
三个数：关 p1 → 0.735 / 0.750 / 0.758；关 p2 → 0.700 / 0.712 / 0.730；关 p3 → 0.752 / 0.760 / 0.768。
解释二
我没有具体机制判断。三个因子是同时加进去的，本批只有完整代码这一次相关运行，训练日志里也看不出哪一段的变化对应哪个因子；我手上没有能把它们分开的证据。所以每一格都可能接近基线（这个因子撑了大半），也可能接近完整代码（几乎没撑），范围照实写宽。
三个数：关 p1、关 p2、关 p3 都是 0.695 / 0.730 / 0.765。
交什么
一条或几条解释，每条一段正文，加上对材料"本轮要给三个数的格"里每一格各三个数（cells；本轮没有消融格时不交 cells）。正文程序不读，冻结后原样给下一轮的人；三个数程序拿去决定测哪几格、判确认还是否定、记账。