fix: address whole-impl review (INFRA T0 rows, reproducible manifest, evolution_target report, dead config, canonical DRY)

C-1: persist_infra_t0_rows 补 INFRA/空预测错题的 T0 信号行（不进诊断故须单独落库），run_pipeline 加 Phase 0，dry-run 用假数据走通。
C-2: CLI 加 --generated-at，真实运行默认盖真实 UTC now，可显式固定以字节级复现 manifest。
I-1: coverage_report 增 evolution_target_distribution（T2 信号按 tool/skill/system 计数）。
I-2: 删除 PoolConfig 死字段 n_trainval/floor_k/epsilon/report_floor/val_wrong_min（grep 确认无消费者，视频级切分用独立 VideoSplitConfig/SplitBuildConfig/SelectConfig）。
I-3: 抽共享 load_canonical_predictions(db_path, run_id)，CLI 与 build_split 共用；消除 canonical 取行 + correct 判定重复。
M-1: build_split docstring 注明 val_wrong_min-agnostic 契约（McNemar 护栏由 CLI 冻结后执行，Task 11 契约）。

app/harness/build_split.py

@@ -119,6 +119,11 @@ def build_split(
     test → 加载题库并以视频归属切三池 → 原子冻结 pools.json → 写溯源 manifest →
     六条防御断言 fail-fast 校验。
 
+    契约（Task 11，非疏漏）：build_split 有意保持 val_wrong_min-agnostic——内部调
+    split_by_video_assignment 时不传 val_wrong_min（默认 0，不校验 validation 错题
+    数）。McNemar 功效护栏是切分**冻结后**的独立校验，由 CLI 的 check_mcnemar_power
+    在 build_split 返回后执行；切分构造本身不因功效阈失败，二者关注点分离。
+
     参数:
         db_path: harness.db 路径（只读读取 predictions，不改动）。
         baseline_run_id: 基线 run 标识（如 "infer_adhoc"）。
@@ -138,7 +143,7 @@ def build_split(
         ValueError: 上游依赖校验失败（如 correctness 缺题、assignment 非法）。
     """
     # Phase 1: canonical 基线预测 + 诊断信号。
-    preds = _read_canonical_predictions(db_path, baseline_run_id)
+    preds = load_canonical_predictions(db_path, baseline_run_id)
     signal_rows_raw = signal_store.load(baseline_run_id, diag_fingerprint)
     _assert_fingerprint_consistent(signal_rows_raw, diag_fingerprint)
     signal_rows = [
@@ -226,31 +231,38 @@ def _normalize_choice(choice: str | None) -> str:
     return (choice or "").strip().upper()[:1]
 
 
-def _read_canonical_predictions(db_path: Path, baseline_run_id: str) -> list[dict]:
+def load_canonical_predictions(db_path: Path, baseline_run_id: str) -> list[dict]:
     """从 harness.db 只读取指定 run 每题首行（ORDER BY rowid）为 canonical 预测。
 
+    共享口径 helper：CLI（可诊断错题筛选 + INFRA T0 补录）与 build_split（切分）
+    共用同一"每 qid 取 rowid 最小首行 + 归一化 correct 判定"口径，消除两处重复实现。
     同一 question_id 可能有多行（重跑 / 补测），canonical 口径取 rowid 最小的首行，
-    保证 distinct question 计数与对错判定确定。correct = 预测与答案归一后逐字符相等。
+    保证 distinct question 计数与对错判定确定。correct = 预测与答案各自归一
+    （strip → 大写 → 取首字母）后逐字符相等。
+
+    口径边界：旧 build_or_load_pools 的 legacy 池构建路径（app/harness/pools.py）是
+    另一条独立既有链路，不共用本 helper，两者刻意不统一（本次不动 legacy 路径）。
 
     参数:
-        db_path: harness.db 路径。
+        db_path: harness.db 路径（URI mode=ro 只读打开，绝不改动基线 db）。
         baseline_run_id: 基线 run 标识。
 
     返回:
-        canonical 预测行列表，每行 {video_id, question_id, task_type, correct}。
+        canonical 预测行列表，每行含 question_id / video_id / task_type /
+        prediction / answer / stop_reason / correct（bool）。按 rowid 升序去重，
+        每 qid 保留首行。
 
     异常:
         ValueError: 该 run 无任何预测行（fail-fast，不返回空切分）。
 
     实现细节:
-        以 URI mode=ro 打开只读连接，绝不改动基线 db；按 rowid 升序遍历，
-        首次见到的 question_id 即 canonical 行，后续同 qid 行跳过。
+        按 rowid 升序遍历，首次见到的 question_id 即 canonical 行，后续同 qid 行跳过。
     """
     conn = sqlite3.connect(f"file:{db_path}?mode=ro", uri=True)
     conn.row_factory = sqlite3.Row
     try:
         rows = conn.execute(
-            "SELECT question_id, video_id, task_type, prediction, answer "
+            "SELECT question_id, video_id, task_type, prediction, answer, stop_reason "
             "FROM predictions WHERE run_id = ? ORDER BY rowid",
             (baseline_run_id,),
         ).fetchall()
@@ -266,6 +278,9 @@ def _read_canonical_predictions(db_path: Path, baseline_run_id: str) -> list[dic
             "question_id": qid,
             "video_id": row["video_id"],
             "task_type": row["task_type"],
+            "prediction": row["prediction"],
+            "answer": row["answer"],
+            "stop_reason": row["stop_reason"],
             "correct": _normalize_choice(row["prediction"]) == _normalize_choice(row["answer"]),
         }
     if not canonical:
@@ -367,7 +382,13 @@ def _build_coverage_report(
 
     返回:
         覆盖报告字典，含 cells_covered / grid_total / floor_satisfied /
-        test_representativeness_deviation / tier_distribution。
+        test_representativeness_deviation / tier_distribution /
+        evolution_target_distribution。
+
+    实现细节:
+        evolution_target_distribution 只统计 T2 信号（可训练缺陷），按
+        tool / skill / system 计数，报告"哪层参数组拿到梯度"；T0/T1/uncertain 行
+        evolution_target 恒为 None，不入该分布。
     """
     by_id = {v.video_id: v for v in videos}
     trainval = [by_id[vid] for vid in assignment_obj.trainval]
@@ -395,13 +416,7 @@ def _build_coverage_report(
         diff_buckets,
     )
 
-    tier_counts = Counter(row.tier for row in signal_rows_raw)
-    total_signals = sum(tier_counts.values())
-    tier_distribution = (
-        {tier: count / total_signals for tier, count in tier_counts.items()}
-        if total_signals
-        else {}
-    )
+    tier_distribution, evolution_target_distribution = _signal_distributions(signal_rows_raw)
 
     return {
         "cells_covered": len(covered_cells),
@@ -413,9 +428,42 @@ def _build_coverage_report(
             "epsilon": config.epsilon,
         },
         "tier_distribution": tier_distribution,
+        "evolution_target_distribution": evolution_target_distribution,
     }
 
 
+def _signal_distributions(
+    signal_rows_raw: list[DiagnosisSignalRow],
+) -> tuple[dict[str, float], dict[str, int]]:
+    """由诊断信号行算 tier 占比分布与 T2 进化目标计数分布。
+
+    参数:
+        signal_rows_raw: 诊断信号行。
+
+    返回:
+        (tier_distribution, evolution_target_distribution) 二元组：
+        - tier_distribution: {tier: 占比}，无信号时为空 dict；
+        - evolution_target_distribution: 仅统计 T2（可训练缺陷）信号，按
+          tool / skill / system 计数，报告哪层参数组拿到梯度；T0/T1/uncertain 行
+          evolution_target 恒为 None，不入该分布。
+    """
+    tier_counts = Counter(row.tier for row in signal_rows_raw)
+    total_signals = sum(tier_counts.values())
+    tier_distribution = (
+        {tier: count / total_signals for tier, count in tier_counts.items()}
+        if total_signals
+        else {}
+    )
+    evolution_target_distribution = dict(
+        Counter(
+            row.evolution_target
+            for row in signal_rows_raw
+            if row.tier == "T2" and row.evolution_target is not None
+        )
+    )
+    return tier_distribution, evolution_target_distribution
+
+
 def _assert_split_invariants(
     *,
     pools: Pools,