iomgaa
ddb9a44f75
build_pools/_sample_excluding 与 PerCategoryPoolStrategy._split_one_category/ build_incremental 两条切分路径均改为以 QuestionUnit 为采样原子：progressive exclusion 互斥集合与 train/val 分层划分都按 unit_id 计数（pair 计 1 个 unit）， 命中单元整体展开，AR 孪生对两题永不落入不同池/split。 复用 app.harness.question_units 的 build_units/flatten_units，不重写分组逻辑。 single-only 输入下 unit 与 question 一一对应、rng 消耗量不变，采样与划分结果 与逐题口径完全一致；抽出 _unit_correct/_assert_correctness_complete 两个 helper 将 _split_one_category 复杂度压回基线以下。 新增 tests/unit/test_pools_pair_atomic.py 覆盖两条路径的 pair 原子性回归。
Video-Tree-TRM5
在层次化视频树上构建可自我进化的搜索 Agent，实现长视频理解。目标会议：EMNLP 2026。
系统概览
本项目是 Video-Tree-TRM4（MVP）的生产级重构，采用 Clean Architecture 分层设计。
核心思想：自进化循环对标 PyTorch 训练
| PyTorch | 本项目 | 模块 |
|---|---|---|
| DataLoader | 出题 question_gen | app/question_gen/ |
| model.forward() | 推理 inference | app/harness/inference.py + core/agent/loop.py |
| loss.backward() | 诊断 diagnose | core/evolution/diagnose.py |
| optimizer.step() | 进化 evolve | core/evolution/evolve.py |
| nn.Parameter | Skills + Prompts（版本化） | store/skills/, store/prompts/ |
三大模块
| 模块 | 目录 | 说明 |
|---|---|---|
| 建树 | app/tree/ |
离线预处理：VLM 生成三层 TreeIndex（L1段落→L2片段→L3帧），支持字幕注入和后增强 |
| 训练 | app/harness/ + core/ |
自进化循环：推理→诊断→进化，含 CE-Gate 统计检验、信息阶梯、mini-batch 调度 |
| 新题构建 | app/question_gen/ |
生成 Video-MME 风格训练题，原始 benchmark 作 held-out 泛化评测 |
可提取内核
core/agent/ 和 core/evolution/ 只依赖 Protocol 接口，可独立提取用于其他项目。
快速开始
# 1. 创建 Conda 环境
conda create -n Video-Tree-TRM python=3.11 -y
conda activate Video-Tree-TRM
pip install -e ".[dev]"
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 填入 API 密钥
# 3. 验证
make lint
make test
项目结构
详见 research-wiki/ARCHITECTURE.md。
文档
| 文档 | 说明 |
|---|---|
research-wiki/ARCHITECTURE.md |
系统架构与边界 |
research-wiki/overview.md |
自进化循环总览 |
CLAUDE.md |
Agent 工作指令 |
reference/docs/architecture.md |
建树+检索器参考设计 |