feat(question_gen): loader 按 unit 分层采样 + load_benchmark 读回 pair 字段

stratified_sample 先 build_units 聚合，以 QuestionUnit 为采样原子做
分层/去重/补足/rng.sample，返回前 flatten_units 展开为逐题列表；
size/correct_ratio/min_per_class 均按 unit 计数，单元正确性走成员 AND，
孪生对两题永不被劈开。纯 single 输入下 build_units 1:1 折叠、顺序不变，
rng 消耗与旧逐题实现字节级一致（新增回归测试守护）。

_backfill_per_class candidates 改按 unit 枚举去重；build_units/flatten_units
函数内延迟导入以规避 question_gen<->harness 循环依赖（沿用 adversarial_filter）。

load_benchmark 反序列化补 pair_id/question_role/flip_axis/unit_id 四字段，
用 .get 兼容旧 JSON（缺失退化为 single，unit_id 由 __post_init__ 回填）。

pools._sample_excluding 随之改为透传 flatten_units(candidates) 给已单元化的
stratified_sample（不再用 lone pair-original 代表），行为对 single-only 保持等价。

app/harness/pools.py

@@ -214,16 +214,16 @@ def _sample_excluding(
 ) -> list[GeneratedQuestion]:
     """排除已选 unit 后，以 unit 为原子按 cfg 分层采样，返回展开后的逐题列表。
 
-    每个单元以其首题作为分层采样的代表参与 stratified_sample，correct_ratio /
-    size 因此按 unit 计数（pair 计 1 个 unit）；命中的单元整体展开，孪生对两题
-    永远同进同出。single-only 输入下 unit 与 question 一一对应、顺序不变，采样
-    结果与逐题采样完全一致。
+    候选单元展开为逐题列表后透传给 stratified_sample，后者内部重新 build_units
+    做单元原子采样：correct_ratio / size 按 unit 计数（pair 计 1 个 unit），单元级
+    正确性由 stratified_sample 内部对成员取 AND，命中的孪生对两题永远同进同出。
+    single-only 输入下 unit 与 question 一一对应、顺序不变，采样结果与逐题采样一致。
 
     参数:
         units: 单元全集（single 单封、pair 成对聚合）。
         exclude_unit_ids: 已被其他池选走的 unit_id，从候选中剔除以保证三池互斥。
-        correctness: question_id -> 基线是否答对；单元级正确性取成员的 AND
-            （缺失按 False，与 stratified_sample 的宽松口径一致）。
+        correctness: question_id -> 基线是否答对；单元级正确性由 stratified_sample
+            对成员取 AND（缺失按 False，宽松口径）。
         cfg: 透传给 stratified_sample 的采样配置
             （size/correct_ratio/task_types[/seed/min_per_class]）。
 
@@ -231,12 +231,7 @@ def _sample_excluding(
         采样命中单元展开后的题目列表。
     """
     candidates = [u for u in units if u.unit_id not in exclude_unit_ids]
-    rep_to_unit = {u.questions[0].question_id: u for u in candidates}
-    reps = [u.questions[0] for u in candidates]
-    unit_correct = {u.questions[0].question_id: _unit_correct(u, correctness) for u in candidates}
-    sampled_reps = stratified_sample(reps, unit_correct, **cfg)
-    sampled_units = [rep_to_unit[rep.question_id] for rep in sampled_reps]
-    return flatten_units(sampled_units)
+    return stratified_sample(flatten_units(candidates), correctness, **cfg)
 
 
 def _q_to_dict(q: GeneratedQuestion) -> dict: