Close polygon package seven entirely as D39.46: phases B and B-prime accepted, contexts ratified as the lever, process rules into prompt norms

docs/architecture/05-decisions-log.md

@@ -1116,3 +1116,13 @@ API-529-долг закрыт: 8-осевой refute-by-default воркфлоу
 **Ключевые факты стройки:** живой прогон подтвердил ЗАДАЧУ (терминолог переоткрыл подписи владельца: 学堂→«школа», 学堂家老→«старейшина школы»; дрейф показан колонкой spread) и поймал дефект класса «канон-ломание» (роль переписала согласованный с подписями перевод — закрыто якорями ⟦TM-CANON⟧ + детектором CanonConflicts, живьём 1 честный конфликт из 35). Сессия сама вскрыла и закрыла: самоподтверждающую выборку своих мутаций (независимая линза: 20/30 выживших → закрыты; итог 48+ красных), фолд жанрового словаря в версию пака (подпись строки пере-оплачивала бы книги пары целиком — выведен из хеша, правка бьёт только батчи роли), 14 дефектов аудита §8.2 (вкл. бюджет роли ПОСЛЕ факта → стал предварительным; деньги роли вне TOTAL → входят; ложное «cjk_artifact» на легитимно-двуязычном ответе роли). **Микро-проба $0.02 снята как перекрытая живым прогоном.** Кластер-дефект G8 воспроизведён и оказался хуже («глава клана» приписывался фамилии) — закрыт на границе сборки входа (Origin: alias + провенанс Via), кластеризация не чинилась (отдельное решение).
 
 **Открытые решения владельца:** (1) `feed_cap` (ось G7) — предложен с деньгами (400 канд. ≈ $0.035, все 13 246 ≈ $1.10; бюджет-гейт режет хвост батча, не наименее ценное) — рекомендация оркестратора: строить малой дельтой; (2) жанровые метки `genre-glossary` — пар-широкие или выравнивание с `book.yaml`; (3) подпись содержимого словаря — после полигонской фазы B; (4) одноразовый `--resnapshot` книг с auto-строками (стендовые). **Хвосты в трекер:** `AttachKWIC` квадратичен (16.8 с / 2000 канд.) · смета молчит о пере-покупке прохода роли на каждой итерации подписи · S12 частичен (подмена слова разделителя не ловится) · `bankTokenBudget` worst-case зашит zh→ru (признанная утечка пары, §0) · ветка `dispositionFor`/S7 · gofmt-нит `llm.go` (до-паковый) · **вариативность банкноты 37↔14 строк между прогонами одной книги (n=2) — сигнал в полигонскую фазу B: бьёт премису «банк = детерминированный артефакт»** · веса формулы §C2-3 пере-мерены n=1 — пере-мер следующим живым касанием.
+
+## D39.46 — Пакет-7 ЗАКРЫТ ЦЕЛИКОМ (фазы B + B′ приняты): «контексты — главный рычаг терминолога» РАТИФИЦИРОВАНО как измеренное (разрыв 6 термов при размахе 1); слепой LLM-судья = катастроф-экран, НЕ ранжировщик; жанровый словарь инертен до расширения эмиссии на класс term; три процессных правила полигона — В НОРМЫ ПРОМТОВ (26.07, оркестратор №8). ✅
+
+**Приёмка исполнением: 7 CONFIRMED / 1 PARTIAL / 0 REFUTED** (деньги $0.31030+$0.14013 пересчитаны из usage всех 446 вызовов; замеры T/J/R фазы B′ воспроизведены из сырья; R1-неизмеримость контроля — независимым кодом). Ревью-шапка с нитами — на отчёте `POLYGON_TERM_RESEARCH_B_2026-07-26.md`; B′ — `POLYGON_TERM_RESEARCH_B2_2026-07-26.md`. Итого пакет-7: **$0.45043 из коридора $1.20–2.60**. Самокоррекция сессии (ревизия §B6 нашла 4 материальные ошибки СВОЕГО судейского слоя, B′ проверил ревизию замером) — прецедент нормы author≠reviewer: единственная фаза без критика полноты = единственная с ошибками.
+
+**Ратифицировано фактами:** (1) **контексты — главный рычаг качества терминолога** (Z-B8: арм без KWIC теряет 6–7/19 при внутриармовом размахе 1) — экономить на контекстах нельзя, kwic-настройки = главная ось качество↔цена; (2) **слепая оценка годна только как катастроф-экран с декоем** (H7: разрыв до декоя 1.27–1.42 против межарменного 0.20; ранговое согласие с объективным слоем ничтожно); (3) **жанровый словарь инертен (0/80), пока эмиссия/подача не расширены на класс term** — усиливает открытое решение feed_cap из D39.45; (4) отбраковка судей фазы B снята (Z-B7 — контроль был структурно неизмерим); (5) узкая формулировка правила транскрипции — поддержана замером как редакторская опция (широкая опровергнута: P2−P5=+0.013<0.05).
+
+**Три процессных правила — в нормы промтов сессий (стандарт, как синк-мандат D39.38):** (а) у каждого измеряемого фактора обязан быть арм БЕЗ него — фактор во всех армах не измеряется ни одним; (б) в сравнительном протоколе: дедуп кандидатов + отбор только расходящихся позиций + контрольный ДЕКОЙ (без него «отличает ли оценщик годное» неизмеримо); (в) критик полноты — на КАЖДУЮ фазу, не на пакет.
+
+**На владельце (подписи, не блокируют очередь):** Z-B1 修炼 остаётся неподписанной (V0 не снят — тел изданий нет) · Z-B2 подписать 17 строк словаря, закрытых БКРС (筑基 подтверждена; 修士→культиватор спорна — словарное «христ. монах») · Z-B3 узкая формулировка правила транскрипции как редакторское решение (цена: без правила ломаются 月光蛊/王婆) · Z-B4 веб-фетч в v2 роли НЕ вводить, офлайн-словарь как пар-данные (для zh→ru собран). Полигон-очередь пуста; кандидаты следующего пакета: **вариативность банкноты 37↔14 (сигнал пака-20)** · ёфикатор/санитайзер-разметка · dialogue_dash на невиданном тексте.

docs/archive/prompts/POLYGON_PACKAGE7_TERM_SOURCES_SESSION_PROMPT.md

@@ -1,6 +1,6 @@
 # Промт полигон-сессии: ПАКЕТ 7 (v2) — терминологическая ресёрч-программа: «как переводить термины и что такое „хорошо“»
 
-**Статус: фаза A ИСПОЛНЕНА И ПРИНЯТА 26.07.2026 (D39.43; отчёт `docs/archive/reports/POLYGON_TERM_RESEARCH_A_2026-07-26.md` с ревью-шапкой). Фаза B — ПОСЛЕ решений владельца Z1–Z4 (§Z отчёта).**
+**Статус: ПАКЕТ ЗАКРЫТ ЦЕЛИКОМ 26.07.2026 (A: D39.43 · Z-решения: D39.44 · B+B′: D39.46). Отчёты: `POLYGON_TERM_RESEARCH_A/B/B2_2026-07-26.md` с ревью-шапками. АРХИВ.**
 
 **Статус выдачи: ВЫДАН 26.07.2026 (v2 того же дня — расширение по директиве владельца; v1 не исполнялся).** Двухфазный: фаза A ($0) → СТОП/ратификация → фаза B (по смете, ориентир ≤$3). Идёт ПАРАЛЛЕЛЬНО бэкенд-сессии пака-20 — **`backend/` не трогать, её файлы в git-статусе чужие**. Зона записи: `eval/` + `docs/experiments/`; отчёты — `docs/archive/reports/`.
 

docs/archive/reports/POLYGON_TERM_RESEARCH_B2_2026-07-26.md

@@ -0,0 +1,244 @@
+# Полигон, пакет-7, ФАЗА B′ — доводка после адверсариальной ревизии: контроль правила транскрипции · годность слепой оценки · разброс прогона
+
+> **Статус: ПРЕ-РЕГИСТРАЦИЯ ЗАПИСАНА ДО ВЫЗОВОВ.** Секции §0 (замысел, пороги, смета) написаны прежде
+> первого платного запроса; секции §1–§4 (результаты) дописываются после. Пре-регистрация после
+> старта НЕ правится — как и в фазе B.
+> **Основание:** ревизия §B6 отчёта [`POLYGON_TERM_RESEARCH_B_2026-07-26.md`](POLYGON_TERM_RESEARCH_B_2026-07-26.md)
+> опровергла три вывода фазы B; санкция владельца на доводку получена 26.07.2026.
+> **Зоны:** пишу в `eval/pkg7/` и в этот отчёт. `backend/` не тронут. Не коммичу.
+
+---
+
+## §0. ПРЕ-РЕГИСТРАЦИЯ (записана до трат)
+
+### 0.1 Что именно чиню и почему это три РАЗНЫХ замера
+
+Ревизия §B6 оставила три вопроса, и ни один не закрывается рассуждением:
+
+| # | вопрос | почему фаза B на него не ответила |
+|---|---|---|
+| **T** | правило «имя собственное → транскрипция» — вредит или нет | правило лежало в общей части промпта, то есть во ВСЕХ шести армах: контраста не существовало |
+| **J** | слепая оценка вообще годна или нет | 35 термов из 80 состояли из семи одинаковых строк; контроль отбраковки был неизмерим (строка `GOLD` не уникальна ни разу) |
+| **R** | насколько твёрд вывод «контексты решают» | каждый арм гонялся ОДИН раз; разброс прогона от эффекта арма неотделим |
+
+### 0.2 Замер T — контрольный арм без правила
+
+**Арм `P5` = `P2` минус одна строка** («если термин — имя собственное, передавай его транскрипцией,
+а не переводом смысла»). Всё остальное — контексты, черновики, жанровый словарь, Палладий, лемма —
+идентично `P2` побайтно. Набор тот же, что в фазе B (80 термов), модель та же.
+
+| мера | как считается | что подтверждает | **что ОПРОВЕРГАЕТ** |
+|---|---|---|---|
+| **T1** качественная | `春秋蝉` и `Silversaint` у `P5` против `P2` | `P5` даёт смысловой перевод там, где `P2` транслитерирует | `P5` транслитерирует так же ⇒ правило ни при чём |
+| **T2** прокси | доля целиком несловарных dst, `P5` против `P2`, по всем 80 | разница ≥ 0.05 в пользу `P5` | \|разница\| < 0.05 ⇒ эффекта нет |
+| **T3** контроль вреда | совпадение с подписью владельца на 19 эталонных | `P5` не хуже `P2` (≥ 17/19) | `P5` < 17/19 ⇒ снятие правила ломает другое |
+
+**Решающее правило, названное заранее:** Z-B3 считается ИЗМЕРЕННОЙ, только если T1 и T2
+подтверждаются ОБА. Если подтверждается лишь T1 (два терма) — рекомендация остаётся редакторским
+суждением, и я так и запишу.
+
+### 0.3 Замер J — слепая оценка на ПОЧИНЕННОМ наборе
+
+Чиню сборку набора, а НЕ инструмент: ревизия показала, что негоден был набор.
+
+1. **Дедупликация кандидатов.** Одинаковые строки схлопываются в ОДИН вариант; арм-источники
+   хранятся в ключе. Судья больше не сравнивает строку с ней же.
+2. **Только термы с вариативностью** — где после дедупликации ≥2 различных варианта.
+3. **ДЕКОЙ — то, чего в фазе B не было и без чего контроль §A2.4 п.4 неизмерим.** В каждый набор
+   вслепую подкладывается заведомо неверный вариант: dst ДРУГОГО терма той же выборки (рецепт WMT23,
+   перенесённый с глоссария на кандидата). Декой уникален по построению, поэтому вопрос «отличает ли
+   судья годное от случайного» становится измеримым, чего нельзя было сделать через `GOLD`.
+
+**Контроли годности судьи (пороги названы сейчас):**
+
+| контроль | замер | судья ОТБРАКОВЫВАЕТСЯ, если |
+|---|---|---|
+| **C1** | доля термов, где ДЕКОЙ назван лучшим по K1 | > 0.10 |
+| **C2** | катастроф на декое против катастроф на `GOLD` | катастроф на `GOLD` ≥ чем на декое |
+| **C3** | воспроизводит ли судья объективный слой | `P0b` НЕ в нижней трети по K1 |
+
+**Что этот замер решает:** если судья проходит C1 и C2 — слепая оценка ГОДНА, и дефект фазы B был
+в наборе (моя ревизия права). Если проваливает — инструмент действительно негоден, и прав был
+исходный отчёт. **Оба исхода публикую одинаково**, включая исход «моя ревизия ошиблась».
+
+### 0.4 Замер R — разброс прогона
+
+`P0b`, `P1`, `P2` × **3 независимых повтора** на выборках с эталоном (S1 + S5, 19 термов с подписью).
+
+- мера: совпадение с подписью владельца в каждом повторе;
+- **подтверждает:** межарменный разрыв `P0b`↔`P1` (в фазе B это 5 термов из 15 на S1) БОЛЬШЕ
+  внутриармового разброса по трём повторам;
+- **ОПРОВЕРГАЕТ:** разрыв укладывается внутрь разброса ⇒ вывод «контексты решают» не установлен
+  и держится только на объективном совпадении, а не на сравнении армов.
+
+### 0.5 Свои гипотезы (мандат свободы; пре-регистрирую отдельно)
+
+- **H6.** Вырожденность — свойство ТЕРМА, а не арма: доля термов, где все армы совпали, выше на
+  подписанных (S1) термах, чем на неподписанных книгах (S2–S4). Меряю долей вырожденных по выборкам.
+  Опровергается отсутствием разницы. *Практический смысл: если верно — предпрогон-скрин отбирает
+  информативные термы дёшево, и судить надо только их.*
+- **H7.** Декой ловится судьёй ЛУЧШЕ, чем различаются армы: разрыв «декой против медианы» больше
+  разрыва «лучший арм против худшего». Опровергается обратным. *Смысл: показывает, где предел
+  разрешающей способности — грубые ошибки инструмент видит, тонкие нет.*
+
+### 0.6 Деньги и дисциплина
+
+- Цены — из `backend/configs/models.yaml` (read-only), расход — из фактического `usage`, сырьё
+  каждого вызова сохраняется **вместе с `usage` и `finish_reason`** (дефект записи фазы B, §B6 R7.2, чиню).
+- **Смета печатается ДО вызовов** (`--dry-run`), факт — до цента.
+- Ориентир, названный владельцу: **≈$0.15**. Останов и пинг при выходе за **$0.30** (это доводка, а
+  не новая фаза; санкционированный коридор фазы B израсходован на 11.9%).
+- Квирки: консолидатор `deepseek-v4-flash` — thinking ВКЛЮЧЁН, `max_tokens` 8000, `temperature`/`top_p`
+  не шлём. Судьи — `gpt-5-mini` (`reasoning_effort:"minimal"`, `max_completion_tokens`) и `grok-4.3`
+  (явный `reasoning_effort`), оба из чужих семейств относительно консолидатора (D13.3).
+
+### 0.7 Чего замер НЕ решает (сказано заранее)
+
+Не даёт человеческого эталона для en/ja · не снимает V0 по `修炼` (нужно тело изданий, недоступно) ·
+не проверяет ja-жанровый лексикон · не трогает роль терминолога в коде.
+
+---
+
+## §1. Замер T — правило транскрипции: причинность доказана, агрегатный эффект НЕТ
+
+Арм `P5` проверен исполнением ДО трат: его промпт отличается от `P2` **ровно одной строкой**
+(18641 против 18556 символов, diff = одна удалённая строка). Прогон: 10 вызовов, 80 консолидаций,
+0 пустых, $0.01560.
+
+### T1 — подтверждён, и сильнее, чем ожидалось
+
+| терм | эталон / изданный перевод | `P2` (правило есть) | `P5` (правило снято) |
+|---|---|---|---|
+| `春秋蝉` | **Весенне-осенняя цикада** (подпись владельца) | Чуньцючань ❌ | **Весенне-осенняя цикада** ✅ |
+| `Silversaint` | «среброносец / Серебряный Святой» (класс улики понижен, §B6 R5) | Сильверсейнт | **Серебросвят** (калька) |
+
+Снятие ОДНОЙ строки вернуло точный канон владельца. Причинность правила на этом терме доказана
+в чистом виде: всё остальное в промпте совпадает побайтно.
+
+### T2 — ПРОВАЛЕН по порогу, названному до трат
+
+| арм | P0b | P0 | P1 | P2 | P3 | P4 | **P5** |
+|---|---|---|---|---|---|---|---|
+| доля целиком несловарных dst (80 термов) | 0.212 | 0.125 | 0.188 | 0.188 | 0.212 | 0.200 | **0.175** |
+
+`P2 − P5 = +0.013` при пороге **0.05** ⇒ **систематического сдвига нет.**
+
+Почему — видно в 19 расхождениях `P2`↔`P5`, и это самое ценное в замере:
+
+| куда правило вредит (снятие ПОМОГАЕТ) | куда правило нужно (снятие ВРЕДИТ) |
+|---|---|
+| `春秋蝉` Чуньцючань → **Весенне-осенняя цикада** (канон) | `月光蛊` «гу Лунного света» (канон) → **«Лунный свет»**: потеряна вершина `蛊` |
+| `Ashdrinker` Эшдринкер → Пепелитель | `王婆` «Ван По» → **«Старуха Ван»**: антропоним переведён смыслом |
+| `Silversaint` Сильверсейнт → Серебросвят | `西门庆` «Си Мэнь Цин» → «Симынь Цин» |
+| `ハイエルフ` хай-эльф → высокий эльф | `提刑` «судья» → **«тисин»**: без правила, наоборот, ТРАНСЛИТЕРИРОВАЛ |
+
+### T3 — пройден
+
+Совпадение с подписью владельца: `P5` **18/19** при пороге ≥17 — ровно как `P2`. В разрезе:
+S1 14/15 (потерян `月光蛊`), **S5 4/4** (лучший результат среди всех армов, за счёт `春秋蝉`).
+
+### Вердикт T по решающему правилу §0.2
+
+Требовались **T1 и T2 оба**. T2 провален ⇒ **Z-B3 остаётся редакторским суждением, а не измеренным
+эффектом**, и я это фиксирую против собственной рекомендации. Но данные поддержали именно **узкую**
+формулировку правки — «транскрипция для людей и мест, смысл для предметов, приёмов и существ»: у
+обеих её половин теперь есть замеренный контрпример из противоположного лагеря. Исходная же широкая
+формулировка отчёта B («правило систематически уводит») **опровергнута**.
+
+---
+
+## §2. Замер J — слепая оценка: инструмент видит грубое и не видит тонкое
+
+Починенный набор: **45 термов** (вместо 80 с половиной вырожденных), **3–6 вариантов** на терм
+(вместо ровно семи, часто одинаковых), декой в 45 из 45. Судьи — 45/45 вердиктов каждый, 0 ошибок.
+
+| | `gpt-5-mini` | `grok-4.3` |
+|---|---|---|
+| **C1** декой назван лучшим | **0/45 = 0.000** (порог ≤0.10) → ПРОШЁЛ | **0/45 = 0.000** → ПРОШЁЛ |
+| **C2** катастрофы: декой против подписи | **43 против 0** → ПРОШЁЛ | **45 против 0** → ПРОШЁЛ |
+| **C3** `P0b` в нижней трети | НЕТ | ДА |
+| **C3-бис** ранговая корреляция с объективным слоем | ρ = **+0.429** | ρ = **−0.107** |
+| счёт `GOLD` по K1 | +0.000 | **+0.625 — выше ВСЕХ армов** |
+| разброс между армами | 0.200 | 0.200 (в фазе B было 0.088) |
+| счёт декоя | **−0.933** | **−0.978** |
+
+**Три вывода, и один из них против моей же ревизии.**
+
+1. **Отбраковка судей в фазе B была неправомерна — подтверждено замером.** Оба судьи проходят оба
+   контроля с запасом, а находка, на которой стояла отбраковка («судья назвал подпись владельца
+   катастрофой 6 раз из 19»), **не воспроизводится**: на починенном наборе подпись не помечена
+   катастрофой НИ РАЗУ ни одним судьёй. `grok-4.3` вообще ставит подпись выше всех машинных армов.
+2. **Но практический вывод отчёта B устоял — по другой причине.** Ранговое согласие с объективным
+   слоем ничтожно (+0.43 и −0.11), судьи расходятся между собой (у одного `P0` первый, у другого
+   предпоследний). **Ранжировать армы слепой оценкой по-прежнему нельзя.**
+3. **H7 подтверждена на обоих судьях** (разрыв «медиана армов − декой» 1.267 и 1.422 против
+   межарменного 0.200): инструмент уверенно ловит ГРУБУЮ ошибку и не разрешает ТОНКУЮ разницу.
+   Это и есть его правильная роль — катастроф-экран, а не ранжирование.
+
+---
+
+## §3. Замер R — разброс прогона: главный вывод фазы B устоял
+
+Три независимых повтора, `P0b`/`P1`/`P2` на 19 термах с подписью владельца:
+
+| арм | повторы | медиана | размах |
+|---|---|---|---|
+| `P0b` (без контекстов) | 11 · 12 · 12 | 12.0 | 1 |
+| `P1` (с контекстами) | **19 · 18 · 18** | 18.0 | 1 |
+| `P2` | 18 · 18 · 18 | 18.0 | **0** |
+
+**Разрыв `P0b`↔`P1` = 6 термов при внутриармовом размахе 1 терм ⇒ ВЫВОД УСТОЯЛ.** «Контексты —
+главный рычаг» теперь имеет оценку разброса, а не одну точку.
+
+Побочно объяснилась аномалия фазы B: там `P0` дал 19/19 и выглядел «лучшим армом». В повторах `P1`
+тоже выдаёт 19/19 в одном прогоне из трёх — то есть 19/19 лежит внутри шума прогона, и никакого
+превосходства случайного глоссария не было.
+
+### H6 — подтверждена частично
+
+Доля вырожденных термов: S1 0.53 · **S2 0.13** · S3 0.47 · S4 0.53 · S5 0.40. Гипотеза («подписанные
+термы вырожденнее неподписанных книг») верна против 金瓶梅, но не против ja/en. Настоящий предиктор
+не «подписан/нет», а **класс терма**: у имён собственных 金瓶梅 много равноправных вариантов
+транскрипции, поэтому армы там расходятся вчетверо чаще. Практический смысл прежний: дешёвый
+предпрогон-скрин отбирает информативные термы, и судить надо только их — иначе половина бюджета
+уходит на сравнение строки с самой собой.
+
+---
+
+## §4. Деньги фазы B′ — до цента
+
+| статья | вызовов | вход, ток | выход, ток | USD |
+|---|---:|---:|---:|---:|
+| арм `P5` (контроль правила) | 10 | 56 427 | 28 991 | **0.01560** |
+| повтор 1 | 12 | 64 206 | 27 563 | **0.00801** |
+| повтор 2 | 12 | 64 206 | 27 900 | **0.00811** |
+| повтор 3 | 12 | 64 206 | 26 771 | **0.00779** |
+| судья `gpt-5-mini` | 45 | 45 981 | 6 140 | **0.02378** |
+| судья `grok-4.3` | 45 | 50 313 | 5 583 | **0.07685** |
+| **ИТОГО** | **136** | **345 339** | **122 948** | **$0.14013** |
+
+- Смета до вызовов: **$0.1689**. Факт **$0.14013** — на 17.0% ниже. Стоп-порог $0.30 не достигнут.
+- Ошибок вызовов **0 из 136**, `finish=stop` везде, пустых консолидаций 0 из 395, вердиктов 90/90.
+- Брака нет: пере-прогонов из-за дефектов подачи в этой фазе не было.
+- Суммарно по пакету-7: фаза B $0.31030 + фаза B′ $0.14013 = **$0.45043** при санкционированном
+  коридоре $1.20–2.60.
+
+**Дефекты записи фазы B, починенные здесь:** сырьё судей теперь хранит `usage` и `finish_reason`
+(§B6 R7.2) · весь объективный слой считается скриптами `score_b2.py`/`audit_phaseB.py`, а не
+разовыми командами (R7.1) · потерянные из-за многословных ключей вердикты (`K1 верность концепту`
+вместо `K1`) восстановлены нормализацией разбора из сохранённого сырья, без повторных вызовов.
+
+---
+
+## §5. Что теперь на владельце — обновление §Z отчёта B
+
+| # | было | стало после B′ |
+|---|---|---|
+| **Z-B3** | «принять правку промпта» → понижено ревизией до гипотезы | **Проверено. Широкая формулировка ОПРОВЕРГНУТА (T2), узкая ПОДДЕРЖАНА замером.** Предлагаю принять формулировку §B3.2 как редакторское решение с оговоркой: правило обязано различать антропонимы/топонимы (транскрипция) и предметы/приёмы/существ (смысл), потому что снятие правила целиком ломает `月光蛊` и `王婆` |
+| **Z-B5** | «нужен ли другой инструмент оценки» | **Другой инструмент НЕ нужен.** Нужна другая СБОРКА набора: дедуп кандидатов + декой + отбор расходящихся термов. На починенном наборе оба судьи проходят контроли |
+| **Z-B7** | «отбраковка снята» | **Подтверждено замером:** находка, обосновывавшая отбраковку, не воспроизводится. Но ранжировать армы слепой оценкой всё равно нельзя (ρ = +0.43 / −0.11): её роль — катастроф-экран |
+| **Z-B8** (новое) | — | **«Контексты — главный рычаг» установлено с разбросом**: разрыв 6 термов против размаха 1. Это самый твёрдый количественный результат пакета-7 |
+
+**Чего B′ по-прежнему НЕ покрывает:** V0 по `修炼` (нужно тело изданий) · человеческий эталон для
+en/ja · японский жанровый лексикон · роль терминолога в коде. Повторы сделаны только на zh-выборках
+с подписью; для ja/en разброс не мерен.

docs/archive/reports/POLYGON_TERM_RESEARCH_B_2026-07-26.md

@@ -0,0 +1,622 @@
+# Полигон, пакет-7, Z4-добор + ФАЗА B: словарь на подпись, отбор промпта терминолога, вердикт по веб-фетчу
+
+> **Ревью-шапка (оркестратор №8, 26.07): B + B′ ПРИНЯТЫ, D39.46.** Приёмка исполнением из сохранённого
+> сырья (скрипты полигона + независимый пересчёт): **7 CONFIRMED · 1 PARTIAL · 0 REFUTED**. Деньги
+> пересчитаны из `usage` каждого из 446 вызовов по прайсам models.yaml — $0.31030 + $0.14013 до цента;
+> B′-замеры T/J/R воспроизведены (дифф промптов 10/10 батчей = ровно одна строка; декой 0/45 лучшим и
+> 43–45/45 катастрофой при 0 на подписи; P0b [11,12,12] против P1 [19,18,18]); R1 «GOLD не уникален
+> 0/19» — независимым кодом; покрытие словарём 0/80 и 1/80 — точно. **PARTIAL:** формула «P0b встаёт
+> последним» неточна — по K1/K5 на невырожденных последний **P0** (P0b шестой; цифры переворота
+> 0.044→0.122 / 0.056→0.189 верны). **Ниты:** архивный `phaseB2/termset_gold.json` неполон (35/80 —
+> H6 из него буквально не ре-ранится, восстанавливается из полных arms/j/raw); сырьё судей фазы B без
+> usage (ваш же R7.2, в B′ починено). Самокоррекция сессии (§B6 + B′) — образцовая: единственная фаза
+> без критика полноты дала единственные материальные ошибки, и это теперь норма промтов (D39.46).
+
+> **Статус: Z4-добор ИСПОЛНЕН, фаза B ИСПОЛНЕНА по пре-регистрации §A5.** Записка оркестратора №8 от 26.07.2026 (D39.43/D39.44).
+> **Деньги:** смета названа ДО вызовов, факт — из `usage` каждого ответа, до цента; см. §B0 и §B5.
+> **Зоны:** писал в `eval/pkg7/` и в этот отчёт. `backend/` не тронут. Не коммитил.
+> Предыдущий отчёт пакета: [`POLYGON_TERM_RESEARCH_A_2026-07-26.md`](POLYGON_TERM_RESEARCH_A_2026-07-26.md).
+>
+> ⚠ **ПОПРАВКА ОТ АВТОРА (после сдачи, до приёмки): §B2.3, §B2.4, §B3.2 и §Z4.2 ЧИТАТЬ ТОЛЬКО ВМЕСТЕ С [§B6](#b6-ревизия-исполнением-адверсариальная-проверка-собственных-выводов).**
+> **Развязка: ревизия ПРОВЕРЕНА ЗАМЕРОМ — см. [`POLYGON_TERM_RESEARCH_B2_2026-07-26.md`](POLYGON_TERM_RESEARCH_B2_2026-07-26.md) (фаза B′, $0.14013).**
+> Итог: отбраковка судей действительно была неправомерна (находка не воспроизводится), но
+> ранжировать армы слепой оценкой всё равно нельзя · широкая формулировка §B3.2 опровергнута,
+> узкая поддержана · «контексты — главный рычаг» подтверждено тремя повторами (разрыв 6 термов
+> против размаха 1).
+>
+> Адверсариальная перепроверка исполнением (`eval/pkg7/audit_phaseB.py`) нашла в фазе B четыре
+> материальные ошибки: отбраковка судей не подтверждается данными · вывод «судьи не имеют
+> разрешающей способности» опровергается на этих же данных · у правила транскрипции не было
+> контрольного арма · «три независимые улики» под §B3.2 не независимы. Объективный слой §B1.1,
+> покрытие §B1.2, деньги §B5 и весь §Z4 перепроверку ПРОШЛИ без изменений.
+
+---
+
+## Эхо-блок
+
+```
+1. Порядок исполнен как предписано: сначала Z4-добор ($0), потом фаза B по пре-регистрации A5.
+2. Пре-регистрация A5 НЕ правилась после старта: 6 армов (P0 случайный глоссарий · P0b без контекстов ·
+   P1 · P2 · P3 · P4), K2 = н/д на S3/S4, критерии провала F1–F4, подписанный dst участвует слепо.
+3. Процессный урок исполнен: сначала сделано всё, что НЕ тратит поисковую квоту (curl/локальные клоны),
+   квота сохранена под UNCLEAR-строки; БКРС взят куки-челленджем — 84 статьи, ноль поиска.
+4. Решения владельца применены: Q3 порог «все ≥1 + катастроф-экран» · Q4 сокращённая форма = ПОЛЕ ·
+   Q5 штраф первого вхождения + счётчик распространённости · Q6 «краткость» НЕ включена · Z2 = V0.
+5. Деньги: смета до вызовов, потолок $2.60, выход за него = стоп и пинг. Потолок НЕ достигнут.
+6. Зоны: backend/ чужой (пак-20 дописывает терминолога, его промпт ИНТЕРИМ); сессия НЕ коммитит.
+7. Гардрейлы: .env не читал (ключи читают скрипты) · L3 не обрабатывал · refusal_corpus не открывал.
+8. Заявление = команда: все прогоны воспроизводимы командами §B0, сырьё сохранено целиком.
+9. Подсказка владельца про /home/ubuntu/projects/tmp принята — конкуренты разобраны по ЛОКАЛЬНЫМ клонам,
+   а не по фетчу: это надёжнее и не тратит квоту.
+10. Чего НЕ закрыл — §X, там же честно назван класс улики, оставшийся недобранным.
+```
+
+---
+
+## §Z4. Итоги добора (все пять заходов, $0)
+
+### Z4.1+Z4.4 БКРС ВЗЯТ — главный результат добора
+
+В фазе A «что говорит словарь» стояло UNCLEAR по **всем** терминам: страница считалась JS-рендеримой. Причина оказалась другой и снимаемой: `bkrs.info` ставит одноразовый куки-челлендж `ca=<hex>` и перезагружает страницу. Воспроизведя куку (`eval/pkg7/bkrs_lookup.py`), получаем серверный HTML со статьёй.
+
+**Результат: 84 словарные статьи** (38 по списку §A4.3 + 48 по реальным термам фазы B), ноль вызовов веб-поиска. Словарная улика — сильнейший класс из доступных (сильнее площадочной и сильнее аннотации), и она закрыла больше строк §A4.3, чем весь остальной добор вместе.
+
+Лицензия источника со страницы «Скачать словарь» (дамп 2026.06.10): «**Базы можно использовать свободно в любых целях. Можно указать данный сайт как источник.**» — провенанс-класс серый→зелёный при указании источника, источник указан.
+
+### Z4.3 Частотный узус — спор «культивация vs совершенствование» переведён в измерение
+
+Google Books Ngram, корпус `ru-2019`, 1900–2019, сглаживание 3 (чистый `curl`, без поисковой квоты):
+
+| слово | пик | ср. 2010–2019 |
+|---|---|---|
+| совершенствование | 1983 | **6.615e-06** |
+| культивирование | 1989 | 3.331e-07 |
+| культивация | **1938** | 5.532e-08 |
+| культиватор | **1938** | 5.834e-08 |
+| совершенствующийся | 1920 | 1.660e-08 |
+
+**Три измерения, которых не было ни у одной стороны спора:**
+
+1. **Корреляция «культивация» × «культиватор» = 0.9715** на 120-летнем ряду. Пик у обоих — 1938 год. То есть в русском книжном корпусе «культивация» движется как ОДНО слово с сельхоз-орудием: это агротехнический термин практически без исключений. Корреляция «культивация» × «совершенствование» = **−0.0704** (связи нет).
+2. **Отношение частот 2010–2019: «совершенствование» / «культивация» = 119.6×.**
+3. Биграмма «**мир совершенствующихся**» (формулировка аннотации Эксмо) в книжном корпусе — **0 вхождений**; «культивация почвы» и «совершенствование духа» — есть. То есть жанровая формулировка издателя сама по себе является свежей чеканкой, а не устоявшимся книжным оборотом.
+
+**Что это доказывает и чего не доказывает.** Доказывает: принятие «культивации» импортирует омонимию, коррелирующую с сельхоз-смыслом на 0.97 — это прямой минус по K1 (верность концепту) и K8 (однозначность), независимый от узуса. Не доказывает: как жанр должен переводить термин сегодня — корпус Ngram кончается 2019-м и книг вебновелл в нём нет. Ограничение названо.
+
+### Z4.5 Конкуренты по продукту — по локальным клонам (подсказка владельца)
+
+Разобраны исходники шести переводческих харнессов из `/home/ubuntu/projects/tmp` (свежесть клонов: AiNiee 16.07.2026, LunaTranslator 23.07.2026, bilingual_book_maker 19.07.2026, GalTransl 23.05.2026, TransAgents 01.05.2025, translation-agent 08.07.2024).
+
+**Настоящая сходимость трёх независимых команд** (три кодовые базы, три автора, одинаковый вывод): глоссарий, который едет в промпт, имеет форму **`src → dst + примечание`**, и он **фильтруется по тому, что реально встретилось в текущем чанке**, а не подаётся целиком.
+
+- AiNiee: `build_glossary_prompt` собирает таблицу `原文|译文|备注` только из строк, совпавших со входом (`collect_matched_rows(..., input_dict)`); есть тумблеры `case_sensitive` и `whole_word`; ключ может быть регуляркой (`src_state ∈ valid|regex|invalid`).
+- SakuraLLM (через `LunaTranslator/translator/sakura_base.py`): в промпт идёт «参考以下术语表（可为空，格式为 **src->dst #备注**）».
+- GalTransl: `Dict/GPT字典.txt` — `src<TAB>dst<TAB>пояснение`.
+
+**Механизм, которого нет ни у нас, ни в ISO/TBX, и который есть у ДВУХ конкурентов — «не переводить».** AiNiee строит отдельный блок `禁翻表` («Non-Translation List, Leave the following marked content untranslated») с колонками «маркер|примечание», собираемый по регуляркам из текущего текста. Это боевой аналог того `do-not-normalize`, который в фазе A был найден только у копиредактора в style sheet.
+
+**Самая ценная находка для нашей архитектуры — трёхслойный словарь GalTransl:**
+
+| слой | файл | что делает |
+|---|---|---|
+| `译前` (до перевода) | `00通用字典_译前.txt` | нормализует ИСХОДНИК (орфографические варианты → канон): `流石→さすが`, `滅茶苦茶→めちゃくちゃ` |
+| `GPT字典` | `Dict/GPT字典.txt` | инъекция в промпт: `src<TAB>dst<TAB>пояснение` |
+| `译后` (после перевода) | `00通用字典_译后.txt` | правит ВЫХОД, и **условно** |
+
+Условный слой — это то, чего у нас нет и что решает нашу главную боль. Модель записи (`GalTransl/Dictionary.py:36-50`): `search_word`, `replace_word`, `startswith_flag` (`^^` — только в начале строки), `onetime_flag` (`1^` — заменить один раз), `note` («For GPT» — то, что уезжает в промпт), и два несущих поля:
+
+- **`is_conditionaDic` + `if_word_list`**: ключи условий `pre_src, post_src, pre_dst, post_dst, pre_jp, post_jp, pre_zh, post_zh`. Пример из их данных: `pre_jp 人妻[or]ひとづま → 有夫之妇` = «замени в ВЫХОДЕ, только если в ИСХОДНИКЕ было 人妻 или ひとづま»; `!サタン` = «только если НЕ было». Это **контекстно-обусловленная пост-замена** — ровно то, что отличает исправление «модель выбрала не тот синоним для ЭТОГО исходного термина» от слепого find-and-replace, который MS сам называет «brute force copy and replace».
+- **`is_situationsDic`** с ключами `mono`/`diag`: **разное соответствие в повествовании и в реплике.** Это смыкается с паком-19 «голос и состояние» и означает, что «один термин — один dst» не универсально даже у практиков.
+
+**Контр-находка, снимающая ореол с флагманов.** `TransAgents` (мультиагентная «виртуальная переводческая компания» для художественного перевода) — в репозитории **0 файлов `.py`**: только README, картинки и выходы. Терминологического механизма не опубликовано вообще. А `translation-agent` Эндрю Ына прямо называет нашу задачу ОТКРЫТОЙ:
+
+> «**Glossary Creation.** What's the best way to efficiently build a glossary — perhaps using an LLM — of the most important terms that we want translated consistently?»
+> «**Glossary Usage and Implementation.** Given a glossary, what's the best way to include it in the prompt?»
+
+И там же — независимое подтверждение нашего §A2.0 про слепоту автометрик: «even on documents where our agentic workflow captures context and terminology better, resulting in translations that our human raters prefer over current commercial offerings, evaluation at the sentence level … resulted in the agentic system scoring lower on BLEU».
+
+### Z4.2 Изданные русские переводы книг стенда — частично
+
+**Empire of the Vampire издан на русском:** «Империя вампиров», Джей Кристофф, ISBN 978-5-17-118802-3, АСТ, перевод Н. Абдуллина. Терминология тома 1, релевантная нашему тому 3: `Silversaint` → **«среброносец» / «Серебряный Святой»**, `Silver Order` → **«Серебряный орден»**. Это настоящий человеческий эталон для en-пары, и он же — первый найденный нами живой кейс переноса терминологии между томами серии.
+
+**Search-inside закрыт ОТРИЦАТЕЛЬНЫМ результатом, а не «не дошёл».** Google Books API по трём ISBN лицензионных изданий — «Мастер тёмного пути» (978-5-04-232151-1), «Магистр дьявольского культа» (978-5-907340-00-8), «Империя вампиров» (978-5-17-118802-3) — отдаёт `totalItems=0` на каждом. **Этих изданий в Google Books нет вообще**, поэтому заход «search-inside по телу ISBN», предложенный критиком полноты и санкционированный Z4, механически неисполним: искать внутри нечего. Это не пропущенная модальность, а проверенная и отсутствующая.
+
+**Следствие для Z2:** класс улики «тело лицензионного издания» остаётся недобранным, и остаётся недобираемым тем способом, который планировался. Доступные пути к нему — платный фрагмент ЛитРес или бумажная книга, оба вне зоны сессии. Поэтому арм `HUMAN` в фазе B построен на подписанном сиде владельца (S1/S5), а не на изданных переводах.
+
+---
+
+## §Z4-Т. Обновлённая таблица §A4.3 — НА ПОДПИСЬ
+
+Изменение против фазы A: колонка улики теперь имеет класс **`слов.` (БКРС)** — он сильнее площадочного и сильнее аннотации. **Из 20 строк со статусом UNCLEAR закрыто словарём 17.**
+
+| src | dst (предлагаю) | улика класса «словарь» (БКРС, дословно) | статус |
+|---|---|---|---|
+| 修炼 / 修真 / 修行 | **⟨V0: не подписывать до тела изданий⟩** | 修炼 «совершенствовать и закалять себя»; 修真 «совершенствование, взращивание совершенного»; 修行 «совершенствовать поведение (нравственность)» — **«культивация» в словаре отсутствует** | **развилка владельца** |
+| 修士 | ⟨не подписывать⟩ | «**христ. монах**, член монашеского ордена; подвижник, аскет» | **КОЛЛИЗИЯ: строка `修士→культиватор` в `genre-glossary.txt` словарём не поддержана и спорит со стандартным значением** |
+| 修为 | уровень совершенствования | «1) практическое исполнение 2) корректирующие действия 3) **культивирование; совершенствование**» | закрыт словарём; NB: «культивирование» словарь даёт именно ЗДЕСЬ, а не у 修炼 |
+| 真气 | истинная ци | «**истинная ци**, истинная (абсолютная) субстанция, эссенция ци» | закрыт, совпал с сидом |
+| 灵气 | духовная энергия | «1) сверхъестественная сила 2) божественный дух, духовное начало» | закрыт частично: словарь не даёт «духовную энергию» дословно |
+| 筑基 | закладка основания | «**закладывание фундамента, заложение основ**» | **закрыт — строка `genre-glossary.txt` подтверждена** |
+| 金丹 | золотое ядро (жанр) | «даос. золото и киноварь; снадобье бессмертия, **золотой эликсир**» | два регистра: словарь даёт академический, жанр — «ядро». Развилка Q2 |
+| 丹田 | даньтянь | «1) кит. мед. **даньтянь** … 2) даос. **киноварное поле**, поле эликсира» | **закрыт — оба варианта в одном словаре** |
+| 元神 | изначальный дух | «1) великий дух 2) даос. душа человека, **Изначальный дух**» | закрыт |
+| 元婴 | ⟨UNCLEAR⟩ | русской части статьи нет (только китайское толкование) | остаётся UNCLEAR |
+| 经脉 | меридианы | «кит. мед. **каналы**» (+ «Меридианы, Цзин-м…») | закрыт |
+| 穴位 | акупунктурная точка | «кит. мед. местоположение **акупунктурных точек**» | закрыт |
+| 心法 | тайное искусство | «1) профессиональный **секрет; тайна, тонкость** (передаваемая учителем ученикам) 2) будд. духовное наставление» | закрыт |
+| 秘籍 | тайный трактат | «1) **редкая книга, букинистическая редкость**» | закрыт частично (жанровый смысл шире словарного) |
+| 功法 | техника | «1) методы работы; тренировочные методы 2) **навык, техника** (боевых искусств)» | закрыт |
+| 法宝 | сокровище дхармы / артефакт | «1) будд. **дхарма**… 2) будд. одежда…» | закрыт частично |
+| 丹药 | пилюля | «1) даос. **пилюли бессмертия, эликсир бессмертия** 2) лекарственная пилюля» | закрыт |
+| 符箓 | фулу / талисман | «даос. **фулу; письменное заклинание; магический текст; талисман, амулет**» | закрыт |
+| 轻功 | цингун | «**цингун**; различные способности лёгкого передвижения (ушу)» | закрыт |
+| 内功 | внутренняя работа | «кит. ушу **внутренняя работа**» | закрыт |
+| 内力 | внутренняя сила | «**внутренняя сила**; эндогенный» | закрыт (площадка давала «внутреннюю энергию» — словарь поправляет) |
+| 境界 | ступень / уровень | «1) границы, пределы 2) **уровень, степень; предел**» | закрыт |
+| 飞升 | вознесение | «1) **вознестись, вознесение**» | закрыт |
+| 天劫 | небесная кара | «1) **Небесное испытание** 2) Небесное бедствие; Небесная скорбь» | закрыт |
+| 灵石 | духовные камни | «2) **духовные камни**» | закрыт |
+| 长老 | старейшина | «1) старший, **старейшина**; старик, старец» | закрыт |
+| 掌门 | глава школы | «1) **руководитель религиозного учения, секты** 2) глава, мастер» | закрыт |
+| 剑修 | ⟨UNCLEAR⟩ | «**такого слова нет**» — словарь отвечает отрицательно, это жанровая чеканка | UNCLEAR, но теперь ОБОСНОВАННО |
+| 妖 | нечисть / яо | «1) **нечистая сила, нечисть**; призрак; оборотень; чудовище» | закрыт |
+| 魔 | демон / мо | «1) **злой дух, демон, дьявол**, чёрт» | закрыт; **NB: 妖 и 魔 нельзя оба переводить «демон»** |
+| 仙 | бессмертный | «1) [даосский] отшельник; **бессмертный, небожитель**; святой» | закрыт, совпал с академией |
+| 江湖 | цзянху | «1) реки и озёра 2) лоно природы; сельская глушь» | словарь НЕ даёт «цзянху»; транслитерация — жанровая конвенция |
+| 走火入魔 | искажение ци | «1) **помешаться на…, одержимый** 2) **утратить связь с реальностью**» | закрыт; жанровый смысл описан в китайской части статьи |
+| 资质 | талант | «1) **природные данные** 2) квалификация» | закрыт, поддерживает канон D39.21 |
+| 凡人 | смертный | «1) обычный человек 2) всякий человек; **мирянин, смертный**» | закрыт, совпал с сидом |
+
+**Что НЕ входит в словарь по-прежнему:** книжный канон (`古月`, `方源`, `春秋蝉`, `蛊`) — живёт с книгой; чужой фан-канон целиком — красный класс §A1.3.
+
+**Отдельно к подписи — три строки уже созданного `backend/configs/langpacks/zh-ru/genre-glossary.txt` (чужая зона, не трогал):**
+
+| строка файла | вердикт добора |
+|---|---|
+| `筑基 → закладка основания` | **ПОДТВЕРЖДЕНА** словарём («закладывание фундамента, заложение основ») |
+| `修炼 → культивация` | развилка V0/V1/V2/V3 не снята; словарь «культивации» не знает, Ngram показывает сельхоз-омонимию r=0.97 |
+| `修士 → культиватор` | **СПОРНА**: словарное значение — «христ. монах»; жанровое употребление словарём не зафиксировано |
+
+---
+
+## §B0. Фаза B: что построено, чем считались деньги, какие отклонения объявлены ДО трат
+
+### B0.1 Материал — реальные артефакты стенда, не синтетика
+
+Вход роли ТЕРМИНОЛОГ по D39.42 п.1 собран `eval/pkg7/build_termset.py` из:
+
+- `books/gu-zhenren/labels/raw/corpus.jsonl` — **91 юнит из ШЕСТИ настоящих прогонов** (minirun, acceptance, rerun2-dspro/glm/mistral, verify2) с выровненными `source`/`draft`/`final`. Это постоянный измерительный стенд пакета-6 (D39.39);
+- сид книги + `minirun/mined-delta.yaml` — **подписанные владельцем dst** (золотой стандарт);
+- TSV боевого майнера фазы A — намайненные термы БЕЗ dst;
+- JSONL-субстраты 金瓶梅 / исэкая / Empire of the Dawn — для S2–S4.
+
+**Набор ровно по пре-регистрации: 80 термов** — S1 30 (15 подписанных + 15 намайненных), S2 15, S3 15, S4 15, S5 5 (ловушка). Из них 19 имеют эталон владельца, 35 — пары «исходник ↔ черновик».
+
+### B0.2 Отклонения, объявленные ДО первого платного вызова
+
+Пре-регистрация после старта не правится, поэтому всё, что отличается от буквы §A5, названо здесь заранее, а не объяснено задним числом.
+
+1. **Батчинг по 10 термов на вызов.** Единица учёта остаётся «терм × арм» (480 консолидаций), но доставляются они 60 вызовами. Основание — ратифицированная архитектура: D39.42 п.1 прямо говорит «батчи, дешёвая модель». Пер-термовые вызовы умножили бы стоимость инструкции на 80.
+2. **Компонента «варианты черновиков» пуста на S2–S4** — переводов этих книг не существует, мы их не делали. Следствие: на S2–S4 арм P1 вырождается в «только KWIC». Это ограничение материала, а не правка дизайна.
+3. **Справка для арма P4 есть только у zh-термов.** БКРС — китайско-русский словарь; для японской (S3) и английской (S4) выборок справки нет по построению. Вердикт по веб-фетчу выносится по S1/S2/S5.
+4. **Подписанный владельцем dst участвует в слепом сравнении как отдельный кандидат `GOLD`.** Без этого невозможен вердикт F2 («бьёт ли арм эталон»), и невозможна отбраковка оценщика, не отличающего подпись от случайного варианта (§A2.4 п.4).
+
+### B0.3 Дефект подачи, пойманный самопроверкой ДО трат на судей
+
+После прогона шести армов я пере-мерил покрытие арма P4 и обнаружил, что справка дошла лишь до **2 термов из 80**: я кормил P4 списком терминов §A4.3 (жанровый словарь), тогда как набор фазы B состоит в основном из книжных термов (方源, 古月, 学堂, 酒虫) и не-китайских. В таком виде P4 ≈ P2 на 78 термах, и вердикт по веб-фетчу был бы пустым.
+
+**Исправлена ПОДАЧА ДАННЫХ, а не дизайн арма:** добраны словарные статьи для реальных zh-термов набора (48 штук, $0, тем же `bkrs_lookup.py`), после чего **пере-прогнан ТОЛЬКО арм P4**; остальные пять армов остались от первого прогона нетронутыми. P4 всегда определялся как «P2 + предварительно добытая справка по терму» — ему дали ту справку, которую он и должен был получать.
+
+Побочная удача этой починки: в S5 попал терм `时辰`, и словарная статья дословно содержит канон D39.21 — «стар. большой час (одна двенадцатая часть суток, **был равен 2 часам**)». То есть ловушка теперь проверяет и то, пользуется ли модель справкой, когда справка прямо противоречит буквальному «час».
+
+### B0.4 Дисциплина денег
+
+Цены берутся из `backend/configs/models.yaml` (read-only), расход считается из фактического `usage` каждого ответа с учётом `cached_tokens`, сырьё каждого вызова (промпт + ответ + usage + finish_reason) сохраняется целиком — правило 1 полигона. Смета печатается ДО вызовов режимом `--dry-run`.
+
+**Смета до вызовов (консолидация):** вход ≈180.3k токенов → $0.0252; выход ≈150.0k → $0.0420; **итого ≈ $0.0672**.
+
+### B0.5 Соблюдение квирков провайдеров
+
+Читал `00-provider-quirks.md` перед вызовами. Консолидатор — `deepseek-v4-flash`: thinking оставлен **ВКЛЮЧЁННЫМ** (выключение = эхо-мина на плотном CJK), `max_tokens` 8000 (пол по квирку: thinking ⊆ completion), `temperature`/`top_p` не шлются вовсе (в thinking-режиме молча игнорируются). Судьи — из ДРУГИХ семейств (D13.3: судья не судит выход своего семейства): `gpt-5-mini` с `reasoning_effort:"minimal"` и `max_completion_tokens` (его квирк), `grok-4.3` с явным `reasoning_effort` (дефолт у xAI — `low`, must-be-explicit).
+
+---
+
+## §B1. Объективный слой: измерения, не зависящие от судей
+
+Прежде судейских вердиктов — меры, которые считаются машиной и которые невозможно «уговорить». Они служат вторым способом измерения того же (мандат самопроверки 12.07).
+
+### B1.1 Точное совпадение с ПОДПИСЬЮ ВЛАДЕЛЬЦА (19 термов с эталоном)
+
+| арм | совпало | доля |
+|---|---|---|
+| **P0** (случайный глоссарий) | 19/19 | **1.000** |
+| P1 (KWIC + черновики) | 18/19 | 0.947 |
+| P2 (+ пар-данные) | 18/19 | 0.947 |
+| P3 (+ рубрика) | 17/19 | 0.895 |
+| P4 (+ словарная справка) | 17/19 | 0.895 |
+| **P0b** (без контекстов) | 12/19 | **0.632** |
+
+Мягкое совпадение (без регистра и порядка слов) даёт те же цифры — расхождения не косметические.
+
+В разрезе выборок картина ещё резче:
+
+| выборка | P0b | P0 | P1 | P2 | P3 | P4 |
+|---|---|---|---|---|---|---|
+| S1 основная (n=15) | 10/15 | **15/15** | **15/15** | **15/15** | 14/15 | 14/15 |
+| S5 ловушка (n=4) | 2/4 | **4/4** | 3/4 | 3/4 | 3/4 | 3/4 |
+
+**На основной выборке три арма с контекстами совпали с подписью владельца ИДЕАЛЬНО (15/15)**, и различить их между собой нечем. Разброс выходов внутри терма подтверждает то же: на S1 единогласны 16 термов из 30 (в среднем 1.53 разных варианта), тогда как на 金瓶梅 без черновиков и сида — только 2 из 15 (в среднем 2.40).
+
+**Читается это так, и только так.** Разрыв **P0b против всех остальных (0.632 против 0.895–1.000) — единственный крупный и устойчивый**: контексты работают, и это главный рычаг. Различия внутри группы P0/P1/P2/P3/P4 — это **один-два терма из девятнадцати**, то есть шум на такой выборке; утверждать по ним ранг армов нельзя, и я не утверждаю.
+
+### B1.2 Почему глоссарный контраст на этой выборке НЕ измерился — механизм, а не догадка
+
+Диагностика, снятая машинно: **0 из 80 термов набора покрыты жанровым словарём**. Из 19 термов с эталоном покрыто тоже **0**.
+
+Что именно уезжало в промпт — восстановлено из СОХРАНЁННОГО сырья, а не из файла (файл в чужой зоне и правится параллельной сессией):
+
+```
+арм P2 (правильный словарь)        арм P0 (контроль: dst перемешаны)
+修真  культивация                   修真  культивация
+修行  культивация                   修行  золотое ядро
+丹田  даньтянь                      丹田  духовная энергия
+经脉  меридианы                     经脉  даньтянь
+灵气  духовная энергия              灵气  меридианы
+金丹  золотое ядро                  金丹  культивация
+```
+
+Шесть строк, ни одна из которых не встречается среди восьмидесяти оцениваемых термов. Контроль по рецепту WMT23 собран корректно (dst действительно переставлены) — и именно поэтому он ничего не показал: подменять было нечего.
+
+Значит компонента «жанровый словарь» была **инертна во всех армах, где она есть** — и в P2/P3/P4 с правильным словарём, и в P0 со случайным. Контраст «правильный против случайного» на этом наборе физически не мог проявиться.
+
+**И это не случайность выборки, а прямое следствие находки фазы A.** WHICH-канал майнера отдаёт книжный канон (имена, места, титулы: recall 0.231 на `name`), а жанровый словарь покрывает жанровые понятия (recall `term` = 0.040). **Два множества не пересекаются по построению.** Практический вывод для пака-20 сильнее, чем сам эксперимент: жанровый словарь помогает терминологу ровно на тех термах, которых майнер не приносит, — то есть подавать его в роль осмысленно только вместе с расширением WHICH-канала на класс `term`.
+
+### B1.3 Прокси «транслитерация вместо кальки» (доля dst, целиком отсутствующих в словаре русского)
+
+Считается pymorphy3: у кальки («Серебряный Святой») знаменательные слова словарные, у транслитерации («Сильверсейнт») — нет.
+
+| выборка | P0b | P0 | P1 | P2 | P3 | P4 |
+|---|---|---|---|---|---|---|
+| S1 zh канон | 0.11 | 0.10 | 0.10 | 0.10 | 0.10 | 0.10 |
+| S2 zh классика | 0.33 | 0.44 | 0.33 | 0.33 | 0.40 | 0.40 |
+| S3 ja | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
+| S4 en | 0.20 | **0.07** | 0.13 | 0.13 | 0.13 | **0.07** |
+| **S5 ловушка** | 0.25 | 0.25 | 0.25 | **0.50** | **0.50** | **0.50** |
+| всего | 0.16 | 0.12 | 0.14 | 0.15 | 0.17 | 0.15 |
+
+**На ловушке армы с правилом транскрипции транслитерируют вдвое чаще** (0.50 против 0.25). Ячейки маленькие (S5 = 4–5 термов), поэтому это указание, а не доказательство — но оно совпадает с двумя независимыми ручными наблюдениями ниже.
+
+### B1.4 Ловушка S5: где именно ломается
+
+| терм | канон / эталон | P0b | P0 | P1 | P2 | P3 | P4 |
+|---|---|---|---|---|---|---|---|
+| 时辰 | канон D39.21: **2 часа**, не «час» | страж | шичэнь | **час** ❌ | шичэнь | шичэнь | шичэнь |
+| 蛊 | гу | гу ✓ | гу ✓ | гу ✓ | гу ✓ | гу ✓ | гу ✓ |
+| 资质 | талант | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
+| 转 | ранг | **оборот** ❌ | ранг ✓ | ранг ✓ | ранг ✓ | ранг ✓ | ранг ✓ |
+| 春秋蝉 | **Весенне-осенняя цикада** | Чуньцючань ❌ | **Весенне-осенняя цикада** ✓ | Чуньцючань ❌ | Чуньцючань ❌ | Чуньцючань ❌ | Чуньцючань ❌ |
+
+Два разных механизма отказа, оба воспроизводимые:
+
+1. **`时辰` → «час»** у P1 — это ровно дефект класса DC1, который ловят чекеры (пакет-6, K1). Армы со словарной справкой его НЕ допустили, и справка по 时辰 дословно содержит «стар. большой час (одна двенадцатая часть суток, **был равен 2 часам**)». Единственный случай во всём прогоне, где веб/словарная справка видимо предотвратила подлинную ошибку.
+2. **`春秋蝉` → «Чуньцючань»** у ВСЕХ армов с правилом транскрипции. Инструкция «имя собственное передавай транскрипцией» перевесила канон, который переводит название гу по смыслу.
+
+### B1.5 Сверка с ЖИВЫМ профессиональным переводчиком (единственная точка, где он у нас есть)
+
+`Silversaint`, изданный перевод АСТ (Н. Абдуллин): **«среброносец» / «Серебряный Святой»**.
+
+| арм | выдал | совпало с изданием |
+|---|---|---|
+| P0 | Серебряный святой | **да** |
+| P4 | Серебряный Святой | **да** |
+| P1 | Сребросвят | нет (изобретение) |
+| P2 | Сильверсейнт | нет (транслитерация) |
+| P3 | Сильверсейнт | нет (транслитерация) |
+| P0b | Силверсейнт | нет (транслитерация) |
+
+Тот же механизм, что на `春秋蝉`: правило транскрипции уводит от решения, которое принял живой переводчик.
+
+**Честная граница этого наблюдения:** каждый арм прогонялся ОДИН раз, повторов пре-регистрация не предусматривала, поэтому отделить эффект арма от разброса прогона на одном терме нельзя. Совпадение механизма на двух независимых термах (`春秋蝉` zh и `Silversaint` en) и подтверждение прокси-мерой §B1.3 — вот что делает вывод пригодным для решения, а не сам по себе единичный случай.
+
+---
+
+## §B2. Судейский слой: вердикты F1–F4 и почему сам инструмент оказался негодным
+
+Три прогона: `gpt-5-mini` прямой порядок · `grok-4.3` прямой порядок · `gpt-5-mini` ОБРАЩЁННЫЙ порядок (замер свопа). Вердиктов 80/80 у каждого (у первого судьи 5 восстановлены офлайн из сырья, §X п.9).
+
+### B2.1 BWS-счета — плоские
+
+| критерий | ранжирование (BWS: лучший +1, худший −1, нормировано) |
+|---|---|
+| K1 верность концепту | P4 +0.044 · P3 +0.025 · P2 +0.013 · P1 +0.006 · **GOLD −0.026** · P0b −0.037 · P0 −0.044 |
+| K2 жанровая конвенция | P3 +0.070 · P4 +0.050 · P2 +0.040 · P0b +0.040 · GOLD −0.026 · P1 −0.030 · P0 −0.160 |
+| K5 морфология | P3 +0.062 · P1 +0.031 · P4 +0.013 · GOLD 0.000 · P2 0.000 · P0b −0.019 · P0 −0.087 |
+| K6 благозвучие | P1 +0.062 · P4 +0.062 · P3 +0.031 · P2 +0.006 · GOLD 0.000 · P0 −0.069 · P0b −0.094 |
+| K9 регистр | P3 +0.050 · P2 +0.025 · P4 +0.025 · P1 0.000 · P0 −0.031 · GOLD −0.053 · P0b −0.056 |
+
+Весь разброс укладывается в ±0.09 при том, что шкала допускает ±1. **И подпись владельца (`GOLD`) стоит В СЕРЕДИНЕ или НИЖЕ машинных армов по четырём критериям из пяти.**
+
+### B2.2 Вердикты по критериям, названным ДО трат
+
+| критерий | замер | вердикт |
+|---|---|---|
+| **F1** P0b неотличим от P1 по K1 | Δ = 0.044 при пороге 0.10 | **ПРОВАЛ** |
+| **F1b** P0 (случайный глоссарий) неотличим от P2 | Δ = 0.056 при пороге 0.10 | **ПРОВАЛ** |
+| **F2** ни один арм не бьёт подпись | лучший P4 +0.026 против GOLD −0.026 | НЕ провал |
+| **F3** катастрофы на ловушке S5 | у КАЖДОГО арма ≥2, включая **GOLD 1** | **ПРОВАЛ** |
+| **F4** согласие / устойчивость победителя | κ = 0.611 (порог 0.60); **leave-one-out по судье МЕНЯЕТ победителя**: gpt-5-mini → P4, grok-4.3 → P0b | **ПРОВАЛ** |
+
+Эффект свопа по K1 (обратный порядок минус прямой): P0 +0.107 · P0b +0.050 · P2 +0.013 · GOLD −0.026 · P1 −0.032 · P3 −0.038 · **P4 −0.094**. **Сдвиг от одной лишь перестановки вариантов БОЛЬШЕ, чем весь разброс между армами.** Предупреждение литературы (§A2.4 п.5: своп на кураторских наборах может ухудшать) подтвердилось на наших данных.
+
+### B2.3 Отбраковка оценщиков — правило пре-регистрации сработало против нас, и это правильно
+
+§A2.4 п.4 гласил дословно: «оценщик, не отличающий подписанный вариант от случайного, **отбраковывается вместе со своими вердиктами**». Проверяем:
+
+| судья | термов с GOLD | назвал подпись ЛУЧШЕЙ по K1 | ХУДШЕЙ | **КАТАСТРОФОЙ** |
+|---|---|---|---|---|
+| gpt-5-mini | 19 | 2 | 2 | **6** |
+| grok-4.3 | 19 | 2 | 3 | 0 |
+
+**gpt-5-mini объявил подписанный владельцем перевод катастрофой в 6 случаях из 19 (31.6%)** и выбирал его лучшим ровно так же часто, как худшим. grok-4.3 катастроф не ставил, но тоже не отличал подпись: 2 «лучший» против 3 «худший».
+
+**Оба судьи проваливают собственный контроль ⇒ по пре-регистрации их вердикты отбраковываются, а ранжирование армов по BWS НЕ ВЫДАЁТСЯ как результат.** Согласие между судьями по выборкам: S3 0.933 · S1 0.733 · S2 0.600 · S4 0.467 · **S5 0.400** — то есть хуже всего именно там, где решение важнее всего (ловушка канона).
+
+### B2.4 Объективный слой ПРОТИВОРЕЧИТ судейскому — и это решающая улика против судей, а не против армов
+
+Единственная точка, где есть внешняя истина, — совпадение с подписью владельца:
+
+| | объективная мера (§B1.1) | судейская мера (K1) |
+|---|---|---|
+| P0b (без контекстов) | **10/15 на S1** | −0.037 |
+| P1 (с контекстами) | **15/15 на S1** | +0.006 |
+| разрыв | **пять термов из пятнадцати** | Δ = 0.044 → «неотличимы» |
+
+Разница, которую видно невооружённым глазом на золотом стандарте, судьями **не обнаружена**. Значит F1 («контексты не работают») — это не свойство контекстов, а **свойство измерителя**: BWS-судьи на терминологической задаче с короткими вариантами не имеют разрешающей способности.
+
+### B2.5 Что из этого следует — честно
+
+1. **Ранжирование армов по слепой оценке не выдаётся.** F4 сработал, оценщики отбракованы своим же контролем. Никакой «арм X лучше арма Y по мнению судей» в контракт не идёт.
+2. **Выводы фазы B опираются на объективный слой §B1** (совпадение с подписью, покрытие глоссарием, прокси транслитерации, ловушка, сверка с изданным переводом) — он не зависит от судей и воспроизводим побайтно.
+3. **Пре-регистрация окупилась.** Именно заранее названные F1–F4 и заранее вставленный `GOLD` в слепую выборку не дали выдать плоский шум за ранжирование. Если бы `GOLD` в выборку не положили (а в первом наброске §A5 его не было), мы получили бы «P4 победил» и не узнали бы, что судья считает подпись владельца катастрофой.
+4. **Для следующего замера нужен ДРУГОЙ инструмент**, а не другой судья: короткие терминологические варианты плохо различаются попарным сравнением. Кандидаты — оценка терма В КОНТЕКСТЕ ПРЕДЛОЖЕНИЯ (подставить каждый вариант в реальный фрагмент и сравнивать фрагменты), либо человеческая разметка по образцу пакета-6.
+
+---
+
+## §B3. Рекомендация текста промпта терминолога
+
+Промпт пака-20 объявлен ИНТЕРИМ, финальный текст выбирает эта фаза. Рекомендация ниже — дельта к тому, что гонялось в армах; каждый пункт привязан к измерению, а не к вкусу.
+
+### B3.1 Что оставить как есть (подтверждено)
+
+1. **KWIC-контексты обязательны.** Единственный крупный измеренный разрыв: 0.632 → 0.947 по совпадению с подписью владельца (§B1.1). Это несущий элемент, а не украшение.
+2. **Требование ЛЕММЫ** («dst в исходной словарной форме»). Совпадает с единственным вендорским решением морфологии, найденным в фазе A (нейрословарь Microsoft: «expected to be in a lemma (word base) form»), и не дало отказов.
+3. **Батчи по ~10 термов.** 480 консолидаций за 70 вызовов, ноль пустых ответов, $0.09204 суммарно. Ратифицированная формула «батчи, дешёвая модель, центы/книга» подтверждена фактом.
+4. **Формат `src → dst + примечание`.** Три независимых конкурента (AiNiee, SakuraLLM, GalTransl) пришли к одной и той же тройке полей — это настоящая сходимость трёх кодовых баз.
+
+### B3.2 Что ИЗМЕНИТЬ — одна правка, за которой стоят три независимых наблюдения
+
+**Правило транскрипции нужно СУЗИТЬ до антропонимов и топонимов.**
+
+Формулировка, которая гонялась: «если термин — имя собственное, передавай его транскрипцией, а не переводом смысла». Что она натворила:
+
+- `春秋蝉` → «Чуньцючань» у ВСЕХ армов, где правило есть; канон владельца — «Весенне-осенняя цикада» (§B1.4);
+- `Silversaint` → «Сильверсейнт» у P2/P3; изданный перевод АСТ — «среброносец / Серебряный Святой» (§B1.5);
+- на ловушке доля целиком несловарных dst у армов с правилом вдвое выше (0.50 против 0.25, §B1.3).
+
+Причина одна и она структурная: **названия артефактов, техник и гу — грамматически имена собственные, но в жанре они переводятся по смыслу.** Правило, не различающее антропоним и название приёма, систематически уводит от решения, которое принимают и владелец, и живой профессиональный переводчик.
+
+Предлагаемая замена (текст для пар-слоя, не для Go):
+
+> Транскрипцией передаются ИМЕНА ЛЮДЕЙ и ГЕОГРАФИЧЕСКИЕ названия. Названия предметов, техник, приёмов, существ и организаций переводятся ПО СМЫСЛУ, если смысл читается; транскрипция для них — запасной ход, когда смысл не восстанавливается или калька неблагозвучна.
+
+### B3.3 Что добавить — механизм, взятый у конкурентов, а не выдуманный
+
+**Поле «не переводить» (`do-not-translate`) в записи терма.** Есть у двух конкурентов из трёх (AiNiee `禁翻表`, GalTransl через флаги), нет ни у нас, ни в ISO/TBX, и в фазе A оно же нашлось у копиредактора как «Fragments are acceptable with this author's style». Наш ближайший аналог — `status`, но он про доверие, а не про запрет.
+
+**Условие на пост-замену, а не голая замена.** Модель GalTransl (`pre_src/post_src/pre_dst/post_dst` + `!отрицание`) — это ответ на дефект, который MS называет своим именем («brute force copy and replace»), а AiNiee показал в масштабе (issue #597: сто тысяч строк ложных ошибок от строгой сверки автоглоссария). Для нас это вход в дизайн пост-чека, а не в промпт.
+
+---
+
+## §B4. Вердикт по веб-фетчу в роли терминолога (D39.42 п.2)
+
+**Вердикт: в v2 роли веб-фетч НЕ вводить. Ввести вместо него офлайн-словарь как пар-данные.**
+
+Замер, на котором вердикт стоит:
+
+| что мерили | результат |
+|---|---|
+| совпадение с подписью владельца, P4 (со справкой) | 17/19 = 0.895 |
+| то же, P1 / P2 (без справки) | 18/19 = 0.947 |
+| то же, P0 (случайный глоссарий) | 19/19 = 1.000 |
+| случаев, где справка ВИДИМО предотвратила ошибку | **1** (`时辰`: P1 дал «час», армы со справкой — нет; справка дословно содержит «был равен 2 часам») |
+| покрытие справкой по языкам | zh — есть (БКРС); **ja и en — нет вовсе** |
+
+**Оговорка против себя, чтобы не выглядеть подгонкой:** по слепой BWS-оценке арм P4 формально оказался ПЕРВЫМ по K1 (+0.044). Я на это не опираюсь — судейский слой отбракован собственным контролем (§B2.3), весь разброс там ±0.09 при шкале ±1, а эффект одной лишь перестановки вариантов у P4 составил −0.094, то есть больше его же «победы». Вердикт ниже стоит на объективном слое.
+
+**Три довода, каждый самостоятельный:**
+
+1. **Агрегатного выигрыша нет.** По объективной мере P4 не лучше армов без справки; единственный видимый выигрыш — один терм из восьмидесяти.
+2. **Сработала не «сетевая справка», а СЛОВАРЬ.** Единственный случай пользы — статья двуязычного словаря. Словарь — это ДАННЫЕ, и они прекрасно живут офлайн: 84 статьи БКРС добыты за $0 и лежат файлом. Ради этого не нужен ни сетевой хоп в петле, ни расширение интерфейса роли.
+3. **Веб-фетч в петле ломает инвариант детерминизма №8.** Страница меняется между прогонами, а на детерминизме стоит весь golden. Офлайн-снапшот словаря даёт ту же пользу и ничего не ломает — именно поэтому арм P4 и был построен как снапшот, а не как живой фетч (пре-регистрация §A5.2).
+
+**Что предлагаю вместо веб-фетча:** добавить в пар-слой (`configs/langpacks/<пара>/`) файл словарных справок формата `src<TAB>краткая статья` и подавать его терминологу тем же путём, что жанровый словарь. Для zh→ru он уже собран (`eval/pkg7/bkrs_lookup.py`, 84 статьи, лицензия источника разрешает с указанием источника). Для ja→ru аналог — JMdict/EDICT (CC BY-SA 4.0, серый класс: точечно можно, выгрузкой — заражает).
+
+**Чего этот вердикт НЕ говорит:** он не про веб-фетч вообще, а про веб-фетч В РОЛИ ТЕРМИНОЛОГА при нашей текущей мере. Если появится класс термов, где нужен именно свежий сетевой контекст (реалии современности, бренды), вопрос открывается заново — и открывается замером, а не мнением.
+
+---
+
+## §B6. Ревизия исполнением: адверсариальная проверка собственных выводов
+
+**Почему эта секция есть.** Мандат самопроверки 12.07 требует ревью ИСПОЛНЕНИЕМ, а норма проекта —
+`author ≠ reviewer` на спорном. В фазе A внешний критик полноты был (он и породил V0 по 修炼), в
+фазе B его не было: судейский слой я и построил, и оценил сам. Перепроверка сделана после сдачи,
+воспроизводима одной командой и **опровергает часть моих же выводов**:
+
+```
+eval/.venv/bin/python eval/pkg7/audit_phaseB.py --dir <скретчпад>/phaseB
+```
+
+Пре-регистрация НЕ переписывается: вердикты F1–F4 в §B2.2 остаются ровно такими, какими их дал
+скорер на наборе, названном до трат. Исправляется их ИСТОЛКОВАНИЕ и класс улик под рекомендациями.
+
+### R1. Отбраковка судей (§B2.3) данными НЕ подтверждается — снимаю
+
+Контроль §A2.4 п.4 звучал так: «оценщик, не отличающий подписанный вариант от **случайного**,
+отбраковывается вместе со своими вердиктами». Замер, которого в фазе B не сделали:
+
+- **строка `GOLD` уникальна среди кандидатов в 0 случаях из 19** — подпись владельца текстуально
+  совпадала минимум с одним армом на КАЖДОМ терме, а в шести «катастрофических» случаях — с пятью-шестью;
+- во всех 6 случаях, где `gpt-5-mini` пометил подпись катастрофой, он пометил **ровно тот набор букв,
+  который нёс этот же текст** (`СОГЛАСОВАНО` в п.7 аудита). Это не спутывание подписи со случайным
+  вариантом — это идеальная внутренняя согласованность и несогласие с каноном ПО СУЩЕСТВУ.
+
+**Вывод исправляется:** контроль на этом наборе был **структурно неизмерим** (уникальной подписи не
+существовало), и отбраковывать по нему судей было нельзя. Фраза §B2.3 «оба судьи проваливают
+собственный контроль» — моя ошибка чтения. Правильная формулировка: *контроль не сработал, потому
+что мы не обеспечили его условие — уникальность эталона среди кандидатов.*
+
+### R2. «Судьи не имеют разрешающей способности» (§B2.4, §B2.5 п.4) — опровергается их же данными
+
+**35 термов из 80 вырождены: все семь кандидатов — одна и та же строка** (из 19 термов с эталоном
+таких 11). BWS на идентичных вариантах — шум по построению, и он разбавляет каждый агрегат. Пере-счёт
+ТЕМ ЖЕ скорером (`score_bws.bws`), тем же критерием и тем же порогом, но на 45 невырожденных термах:
+
+| замер | все 80 (как в отчёте) | 45 невырожденных |
+|---|---|---|
+| F1 \|P1 − P0b\| по K1 | 0.044 → ПРОВАЛ | **0.122 → НЕ провал** |
+| F1b \|P2 − P0\| по K1 | 0.056 → ПРОВАЛ | **0.189 → НЕ провал** |
+| место P0b по K1 | −0.037 (шестое из семи) | **−0.100 (последнее)** |
+
+На невырожденных айтемах P0b встаёт последним по K1, K5, K6 и K9 — **ровно то, что говорит
+объективный слой** (P0b 0.632 против 0.895–1.000). То есть разрыв «контексты работают» судьи
+**видят**; его прятал наш собственный набор. Значит §B2.4 («разница судьями не обнаружена ⇒ дело в
+измерителе») неверен: дело было в айтемах, а не в измерителе.
+
+Тем же дефектом объясняется и F3: на `S5-转` и `S5-春秋蝉` судья пометил катастрофой по шесть армов
+сразу — потому что они несли одну строку. Один терм превращался в шесть «провалов арма». Отдельно
+стоит признать: на `春秋蝉` он пометил катастрофой «Чуньцючань», то есть **вынес тот же вердикт, что
+и мы сами** в §B1.4.
+
+### R3. У правила транскрипции НЕ БЫЛО контрольного арма (§B3.2, §B1.3–B1.5)
+
+Правило «если термин — имя собственное, передавай его транскрипцией» лежит в `BASE_TASK` и потому
+присутствует **во всех шести армах**, включая P0b и P1 (п.3 аудита, по сырью промптов). Поэтому:
+
+- фраза «`春秋蝉` → Чуньцючань у ВСЕХ армов, где правило есть» **неверна**: правило есть везде, а
+  канон «Весенне-осенняя цикада» выдал арм P0 — тот, у которого правил транскрипции БОЛЬШЕ всех
+  (базовое + Палладий);
+- утверждение §B1.3 «армы с правилом транслитерируют вдвое чаще» **неверно по атрибуции**: разрыв
+  0.25/0.50 делит арм-группы по признаку «правильный жанровый словарь», а не «правило транскрипции»,
+  и P0 с правилом стоит в НИЖНЕЙ группе.
+
+**Наблюдение остаётся, причинность — нет.** Правда: 5 армов из 6 транслитерировали `春秋蝉`, 3 из 6 —
+`Silversaint`; правило — правдоподобный механизм. Но арма БЕЗ правила в дизайне не было, значит это
+**гипотеза, а не измеренный эффект**. Проверяется дёшево: седьмой арм = P2 минус строка правила,
+~10 вызовов, ≈$0.02.
+
+### R4. «Три независимые улики» под §B3.2 не независимы — это ровно тот запрет «РОВНО ТАК»
+
+Улика №3 (прокси на ловушке) НЕ независима от улики №1: на S5 из пяти термов варьируются три, а
+**весь** разрыв P0 против P2/P3/P4 даёт один-единственный терм — `春秋蝉` (п.8 аудита: `时辰` и `转`
+у этих армов совпадают). То есть я посчитал одно наблюдение дважды и назвал это сходимостью —
+именно тот паттерн, который промт запрещал («не собирать ложную сходимость», урок exp12/13).
+
+### R5. «Изданный перевод АСТ» — улика классом ниже, чем заявлено (§Z4.2, §B1.5)
+
+На диске артефакта нет; единственный источник — **сводка веб-поиска**, а не тело издания и не
+страница издательства. В самой сводке стоит «AST/EKSMO publishers» (две разные издательские группы)
+и форма «**угодник-**среброносец», из которой в отчёт уехало «среброносец». Поэтому таблица §B1.5
+«совпало с изданием — да/нет» держится на непроверенной строке, и класс улики надо понизить:
+**«поисковая сводка, с телом издания не сверена»**. Для en-пары человеческого эталона у нас
+по-прежнему НЕТ — это возвращает en в тот же статус, что ja.
+
+### R6. Что перепроверку ПРОШЛО без единой правки
+
+| проверено заново | результат |
+|---|---|
+| §B1.1 совпадение с подписью, независимый код | 12/19 · 19/19 · 18/19 · 18/19 · 17/19 · 17/19 — **до строки** |
+| §B1.2 покрытие жанровым словарём | 0/80 на поданных 6 строках и **0/80 даже на полном словаре §Z4-Т** (1/80 при добавлении `资质`) ⇒ вывод и Z-B6 **устояли** |
+| §B5 деньги | пересчёт из `usage` каждого вызова: $0.07791 + $0.01413 + $0.21827 = **$0.31030**, finish=stop везде |
+| §Z4.3 Ngram | r(культивация, культиватор) = **0.9715**, r(…, совершенствование) = **−0.0704**, 119.6×, пики 1938/1938, «мир совершенствующихся» = 0 — **все до знака** |
+| якоря фазы A по пину `996bade` | `emissionEligible` = `miner_emit.go:241-252` ✓ · `pipeline/mining.go:70-73` ✓ · `miner_emit.go:129` ✓ · `pipeline/mining.go:52-55` ✓ |
+| свип нарезки фазы A | множество эмиссии побайтно одинаково на 800/2000/6000 (Жаккар 1.000) ✓ |
+
+### R7. Процессные дефекты записи (мелкие, но они мои)
+
+1. **Объективный слой §B1 не имел кодового пути** — считался разовыми heredoc-ами, тогда как §Z
+   обещает воспроизводимость цепочкой скриптов. Закрыто: `eval/pkg7/audit_phaseB.py`.
+2. **Сырьё судей содержит только `id/prompt/response`** — без `usage`/`finish_reason`, вопреки
+   формулировке §B0.4; usage у судей живёт только в леджере `j*.json`.
+3. **Восстановлено 5+5 вердиктов**, а §B2 и §X п.9 называют только 5 (починены оба прогона `gpt-5-mini`).
+4. **«480 консолидаций за 70 вызовов» (§B3.1 п.3) смешивает множества**: 70 вызовов дали 560
+   консолидаций, из которых 80 (первый P4) выброшены.
+5. **«Требования к generic-майнеру»** — деливерабл фазы B по промту — в этом отчёте отсутствуют;
+   фактура собрана в фазе A (§A3.3–A3.7), здесь от неё остался только Z-B6. Пробел записи, не работы.
+
+### R8. Что из выводов фазы B устояло, а что нужно перемерить
+
+**Устояло** (стоит на объективном слое, перепроверено): контексты — главный рычаг (§B1.1);
+жанровый словарь инертен на классе термов, который даёт WHICH-канал (§B1.2, Z-B6); словарная
+справка помогает точечно и это ДАННЫЕ, а не сеть (§B4, Z-B4); словарь §Z4-Т и весь добор (§Z4).
+
+**Нужно перемерить**: рекомендация по правилу транскрипции (нужен арм БЕЗ правила) и вопрос
+о пригодности слепой оценки (нужен набор БЕЗ вырожденных айтемов). Обе поправки дешёвые и обе
+меняют не деньги, а дизайн — отдельной сметой, если владелец санкционирует.
+
+---
+
+## §X. Чего эта фаза НЕ покрывает
+
+**Ограничения дизайна, названные честно (часть — до трат, часть вскрылась исполнением):**
+
+1. **Каждый арм прогонялся ОДИН раз.** Пре-регистрация повторов не предусматривала, поэтому разброс прогона от эффекта арма на отдельном терме не отделим. Все выводы опираются либо на агрегат (80 термов), либо на совпадение механизма в нескольких независимых точках — единичные примеры в отчёте помечены как иллюстрации, а не как доказательства.
+2. **Глоссарный контраст не измерился по построению** — 0 из 80 термов покрыты жанровым словарём (§B1.2). Гипотеза H1 («главный рычаг — пар-данные») на этой выборке проверке не поддалась. Чтобы её проверить, нужен набор ЖАНРОВЫХ термов, а такой набор сегодня не производится WHICH-каналом (recall `term` = 0.040, фаза A).
+3. **Эталон только на 19 термах из 80**, и все они zh. Для ja и en подписанного эталона нет; единственная человеческая точка — два терма из изданного перевода АСТ.
+4. **Черновиков нет у S2–S4** — компонента «варианты черновиков» пуста на 45 термах из 80. Арм P1 там вырождается в «только KWIC».
+5. **Справка для P4 только по zh.** Вердикт §B4 по ja/en не проверен эмпирически, он перенесён по аналогии и это сказано.
+6. **K2 не оценивался на S3/S4** — конвенции для ja/en у нас нет (решение §A5.3, принято до трат).
+7. **Класс улики «тело лицензионного издания» остаётся недобранным**, и планировавшийся путь (search-inside по ISBN) закрыт отрицательным результатом: всех трёх изданий в Google Books нет (`totalItems=0`). Остались платный фрагмент ЛитРес и бумага — обе вне зоны сессии. **Развилка Z2 по `修炼` этим НЕ снята.**
+8. **Японский жанровый лексикон не добран.** Один заход поиска подтвердил картину фазы A: публичных издательских решений по `ステータス/レベル/魔物/チート/称号/精霊/詠唱/属性/転移` не находится. Строки остаются UNCLEAR.
+9. **5 вердиктов первого судьи потерялись строгим разбором** (модель отдала JSON с недостающей скобкой) и восстановлены офлайн из сохранённого сырья (`repair_judge.py`), без повторных трат. Восстановленные строки помечены `repaired: true`.
+10. **Прокси «транслитерация» — именно прокси.** Он считает долю dst, целиком отсутствующих в словаре русского; редкая, но словарная калька им не поймается, а удачный транслит, совпавший со словарным словом, — наоборот. Ячейки S5 малы (4–5 термов).
+11. **Роль терминолога в коде не проектировалась** — по прежнему запрету. Рекомендации §B3 — текст промпта и требования, не дизайн.
+12. **Слепая оценка не дала ранжирования.** ⚠ Причина исправлена ревизией (§B6 R1–R2): не «оценщики отбракованы» — контроль отбраковки был неизмерим, — а **набор наполовину вырожден**: у 35 термов из 80 все семь кандидатов были одной и той же строкой, и сравнивать было нечего. Ранжирование по-прежнему не выдаётся, но и вывод «армы неразличимы» из этих данных не следует.
+13. **Гипотезы §S фазы A закрыты частично:** H1 (рычаг = пар-данные) — не проверяема на этой выборке (§B1.2); H2 (орфографическая улика в ja) — не проверялась, для неё нужен эталон ja; H3 (жанровое = в ≥2 книгах) — не считалась; H4 (веб-справка помогает избирательно) — согласуется с единственным случаем `时辰`, но n=1; H5 (разброс черновиков предсказывает трудность) — не считалась.
+14. **Вариативность выходов не закладывалась в дизайн набора.** Пре-регистрация §A5 отбирала термы по классам и происхождению, но не требовала, чтобы армы на них РАСХОДИЛИСЬ. Следствие — п.12; для любого следующего замера это обязательное условие сборки, а не деталь.
+
+---
+
+## §B5. Деньги — до цента
+
+| статья | вызовов | вход, ток | выход, ток | USD |
+|---|---:|---:|---:|---:|
+| армы P0b/P0/P1/P2/P3 + первый P4 (60 вызовов) | 60 | 287 196 | 143 554 | **0.07791** |
+| арм P4, пере-прогон с исправленной подачей справок | 10 | 66 219 | 25 944 | **0.01413** |
+| судья `gpt-5-mini`, прямой порядок | 80 | 81 240 | 10 891 | **0.04209** |
+| судья `grok-4.3`, прямой порядок | 80 | 88 747 | 9 365 | **0.13435** |
+| судья `gpt-5-mini`, обратный порядок (замер свопа) | 80 | 81 240 | 10 759 | **0.04183** |
+| **ИТОГО** | **310** | **604 642** | **200 513** | **$0.31030** |
+
+- **Смета до вызовов: $0.3397** (консолидация $0.0672 + судьи $0.0689 + $0.1347 + $0.0689). **Факт $0.31030 — на 8.6% НИЖЕ сметы.**
+- Санкционированный коридор $1.20–2.60, потолок $2.60. **Использовано 11.9% потолка.** Стоп-условие не срабатывало ни разу.
+- Ошибок вызовов — **0** из 310. Пустых консолидаций — 0 из 480.
+- Брак, отчитанный честно: первый прогон арма P4 ($0.01 в составе $0.07791) оказался обесценен дефектом подачи и пере-прогнан за $0.01413. Итого на брак и его исправление ушло **$0.024**, и это не скрыто в сметах.
+- Расход добора Z4 — **$0** (curl, локальные клоны, веб-фетч харнесса).
+
+Цены взяты из `backend/configs/models.yaml` (read-only): `deepseek-v4-flash` $0.14/$0.28, `gpt-5-mini` $0.25/$2.00, `grok-4.3` $1.25/$2.50. Расход считается по фактическому `usage` каждого ответа с учётом `cached_tokens`.
+
+---
+
+## §Z. Что на владельце и что предлагаю оркестратору
+
+| # | Пункт | Основание |
+|---|---|---|
+| **Z-B1** | **Строка `修炼` остаётся неподписанной.** V0 не снят: единственный планировавшийся путь к телу изданий закрыт отрицательным результатом (в Google Books изданий нет). Новые улики добора работают ПРОТИВ «культивации» (словарь её не знает; Ngram даёт сельхоз-омонимию r=0.97), но за «совершенствование» в жанровом регистре улик тоже не прибавилось | §Z4.3, §Z4-Т |
+| **Z-B2** | **Подписать 17 строк словаря, закрытых БКРС** — таблица §Z4-Т. Две строки уже созданного `genre-glossary.txt` требуют решения: `筑基` подтверждена, `修士 → культиватор` спорна (словарное значение — «христ. монах») | §Z4-Т |
+| **Z-B3** | ⚠ **ПОНИЖЕНО ревизией до ГИПОТЕЗЫ.** Правку §B3.2 (сузить правило транскрипции до антропонимов и топонимов) содержательно поддерживаю, но измеренным эффектом назвать нельзя: правило лежало во ВСЕХ шести армах, контрольного арма без него не было, а «три независимые улики» оказались одной (прокси на S5 = тот же терм `春秋蝉`) плюс непроверенная поисковая сводка по `Silversaint`. Решение владельца: либо принять как редакторское суждение, либо санкционировать арм-контроль (~$0.02) | §B6 R3–R5 |
+| **Z-B4** | **Веб-фетч в v2 роли НЕ вводить**; вместо него — офлайн-словарь как пар-данные (для zh→ru уже собран, 84 статьи) | §B4 |
+| **Z-B5** | ⚠ **ПЕРЕФОРМУЛИРОВАНО ревизией.** Ранее предлагалось менять ИНСТРУМЕНТ (BWS негоден). Проверка показала обратное: инструмент не проверен, негоден был НАБОР — 35 термов из 80 состояли из семи одинаковых строк, и на 45 невырожденных судьи ставят P0b последним, согласно объективному слою. Менять надо не судью, а сборку набора: дедупликация кандидатов, уникальность эталона, отказ от айтемов без вариативности. Это дешевле полной замены методики | §B6 R1–R2 |
+| **Z-B7** | **Отбраковка судей (§B2.3) СНЯТА.** Их вердикты формально не дисквалифицированы: пре-регистрационный контроль оказался неизмерим (уникальной строки `GOLD` не было ни на одном терме). Ранжирование армов по BWS я по-прежнему НЕ выдаю — но по другой причине: набор наполовину состоял из вырожденных айтемов | §B6 R1 |
+| **Z-B6** | Оркестратору: **вход в пак-20** — жанровый словарь помогает терминологу только на классе `term`, которого WHICH-канал не производит (recall 0.040). Подавать словарь в роль осмысленно ВМЕСТЕ с расширением эмиссии, иначе он инертен (доказано: 0/80 покрытия) | §B1.2 |
+
+**Заявление = команда.** Все прогоны воспроизводимы: `eval/pkg7/build_termset.py` → `terminologist_arms.py` → `blind_judge.py` → `repair_judge.py` → `score_bws.py`; сырьё каждого вызова (промпт, ответ, usage, finish_reason) сохранено целиком, цифры §B1 и §B5 пересчитываются из него без сети.

eval/pkg7/README.md

@@ -20,3 +20,29 @@
 4. **Правило вершины словосочетания зависит от типа терма** (у имени вершина последняя, у нарицательного — первая). Морфо-чекер без этого правила меряет не то: первая версия `rubric_probe.py` склоняла «Вина» в «Монах Цветочного Вина».
 5. **Контраст без опоры вырождается в частоту.** Ранжирование кандзи против словаря другого языка даёт log частоты, а не над-представленность; канал понижен до инвентаря.
 6. **Отклонение методики — замерять, а не декларировать.** Нарезка здесь не боевая; свип целевого размера чанка (800/2000/6000) дал Жаккар 1.000 — только после этого цифры можно было предъявлять.
+
+## Фаза B (добавлено 26.07)
+
+| Скрипт | Что делает |
+|---|---|
+| `bkrs_lookup.py` | словарные статьи БКРС списком; воспроизводит куки-челлендж `ca=<hex>`, из-за которого страница считалась JS-рендеримой |
+| `build_termset.py` | набор термов со входом терминолога (KWIC + пары «исходник↔черновик») из реального выровненного корпуса шести прогонов |
+| `terminologist_arms.py` | шесть армов промпта по пре-регистрации §A5; батчи, леджер денег из фактического `usage`, сырьё сохраняется целиком |
+| `blind_judge.py` | слепая Best-Worst оценка; соль перемешивания по терму, подпись владельца участвует как отдельный кандидат `GOLD` |
+| `repair_judge.py` | терпимый пере-разбор судейских ответов ИЗ СЫРЬЯ (модель отдаёт JSON с недостающей скобкой) — $0, без повторных вызовов |
+| `score_bws.py` | BWS-счета и вердикты F1–F4 по порогам, названным до трат |
+| `audit_phaseB.py` | **адверсариальная ревизия фазы B**: пере-счёт объективного слоя, состав промптов по сырью, вырожденные айтемы, пере-скоринг BWS без них, деньги из сырья |
+| `blind_judge2.py` | слепая оценка на ПОЧИНЕННОМ наборе (фаза B′): дедуп кандидатов · только расходящиеся термы · **ДЕКОЙ** — заведомо неверный вариант, без которого контроль «отличает ли судья годное от случайного» неизмерим |
+| `score_b2.py` | вердикты фазы B′ по порогам §0: T (контроль правила транскрипции) · C1–C3 (годность судьи) · R (разброс прогона) |
+
+**Урок фазы B — в редакции ПОСЛЕ ревизии (первая редакция была неверной).** Сперва я записал сюда «слепые LLM-судьи не имеют разрешающей способности». Проверка исполнением (`audit_phaseB.py`) это опровергла: у 35 термов из 80 все семь кандидатов оказались ОДНОЙ И ТОЙ ЖЕ строкой, а на 45 невырожденных судьи ставят арм без контекстов последним — то есть разрыв они видят. Настоящий урок другой и жёстче:
+
+7. **Айтем без вариативности — не измерение, а шум с ценником.** Сравнительный протокол обязан собираться так, чтобы кандидаты РАСХОДИЛИСЬ: дедуплицируй варианты, требуй уникальности эталона (иначе контроль «отличает ли судья подпись» неизмерим по построению), выкидывай термы, где все ответы совпали.
+8. **Фактор, который есть во всех армах, не измеряется ни одним из них.** Правило транскрипции лежало в общей части промпта — значит контроля не было, и любые «армы с правилом против армов без» были иллюзией чтения собственного кода.
+9. **Считай улики, а не абзацы.** «Три независимых наблюдения» под рекомендацией свелись к одному терму, посчитанному дважды, плюс непроверенная поисковая сводка. Перед словом «сходится» — проверь, не один ли это сигнал в трёх обёртках.
+
+**Чем кончилась ревизия (фаза B′, замер за $0.14).** Правы оказались обе стороны спора, но каждая наполовину, и без замера этого было не разделить:
+
+10. **Слепой судья — катастроф-экран, а не ранжировщик.** Подложенный декой ловится 43–45 раз из 45 (счёт −0.93/−0.98), подпись владельца не помечена катастрофой ни разу, но ранговое согласие с объективным слоем ничтожно (ρ = +0.43 и −0.11). Грубое видит уверенно, тонкое не разрешает — и роль ему надо давать по этой способности, а не по желаемой.
+11. **Одна строка промпта может стоить канона — и одновременно ничего не менять в среднем.** Снятие правила транскрипции вернуло `春秋蝉` в точный канон владельца, но агрегатный сдвиг оказался +0.013 при пороге 0.05: правило помогает на антропонимах ровно столько же, сколько вредит на названиях предметов. Единичный яркий пример и агрегат — разные улики, и путать их нельзя даже когда пример красив.
+12. **Повторы дёшевы и меняют статус вывода.** Три прогона на 19 термах стоили $0.024 и превратили «P0b хуже P1» из одной точки в измерение: разрыв 6 термов против размаха 1. Заодно объяснили аномалию «случайный глоссарий дал 19/19» — 19/19 лежит внутри шума прогона.

eval/pkg7/audit_phaseB.py

@@ -0,0 +1,204 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7: АДВЕРСАРИАЛЬНАЯ ревизия собственной фазы B (мандат самопроверки 12.07).
+
+Зачем отдельным скриптом. Объективный слой отчёта B (§B1) считался разовыми heredoc-ами, то есть
+именно тот слой, на который отчёт опёр ВСЕ выводы после отбраковки судей, не имел воспроизводимого
+кодового пути. Здесь он есть, и здесь же — проверки, которых в фазе B не было и которые её выводы
+частично опровергают.
+
+Что проверяется (каждая проверка печатает и замер, и то, что заявлял отчёт):
+  1. §B1.1 совпадение с подписью владельца — пересчёт независимым кодом;
+  2. покрытие набора жанровым словарём — включая гипотетический ПОЛНЫЙ словарь §Z4-Т;
+  3. состав промпта КАЖДОГО арма по СЫРЬЮ — какой блок в каком арме реально был;
+  4. вырожденные айтемы: сколько термов, где все кандидаты — одна и та же строка;
+  5. измерим ли вообще контроль §A2.4 п.4 (уникальна ли строка GOLD среди кандидатов);
+  6. пере-счёт BWS ТЕМ ЖЕ скорером на невырожденных айтемах — F1/F1b переворачиваются;
+  7. катастрофы на GOLD: пометил ли судья одинаковые строки одинаково;
+  8. чем на самом деле объясняется разрыв прокси §B1.3 на ловушке S5;
+  9. деньги из сырья каждого вызова против леджера отчёта.
+
+Запуск: audit_phaseB.py --dir <скретчпад/phaseB> [--z4t <файл со списком src полного словаря>]
+Сети не требует, платных вызовов не делает.
+"""
+from __future__ import annotations
+
+import argparse
+import collections
+import json
+import re
+import sys
+from pathlib import Path
+
+ARMS = ["P0b", "P0", "P1", "P2", "P3", "P4"]
+# Полный список src таблицы §Z4-Т (жанровый словарь «как если бы подписали всё»).
+Z4T_SRC = ["修炼", "修真", "修行", "修士", "修为", "真气", "灵气", "筑基", "金丹", "丹田", "元神",
+           "元婴", "经脉", "穴位", "心法", "秘籍", "功法", "法宝", "丹药", "符箓", "轻功", "内功",
+           "内力", "境界", "飞升", "天劫", "灵石", "长老", "掌门", "剑修", "妖", "魔", "仙", "江湖",
+           "走火入魔", "资质", "凡人"]
+# Маркеры блоков промпта — по ним видно, что арм РЕАЛЬНО получил (а не что задумывалось).
+BLOCKS = {
+    "правило-имени": "если термин — имя собственное, передавай его транскрипцией",
+    "Палладий": "система Палладия",
+    "лемма": "Русский — язык с богатой морфологией",
+    "словарь": "Жанровый словарь пары",
+    "рубрика": "K1 верность концепту (то ли это понятие)",
+    "справка": "СЛОВАРНАЯ СПРАВКА из китайско-русского словаря",
+    "KWIC": "  контекст: ",
+}
+PRICE = {"deepseek-v4-flash": (0.14, 0.28, 0.0028)}
+
+
+def norm(s: str | None) -> str:
+    return re.sub(r"\s+", " ", (s or "").strip().lower())
+
+
+def bws(rows: list[dict], crit: str, subset: set[str] | None = None) -> dict[str, float]:
+    """Нормировка ровно как в score_bws.py: (плюсы − минусы) / число появлений арма."""
+    plus, minus, seen = collections.Counter(), collections.Counter(), collections.Counter()
+    for r in rows:
+        if subset is not None and r["id"] not in subset:
+            continue
+        v = (r.get("verdicts") or {}).get(crit)
+        if not isinstance(v, dict):
+            continue
+        l2a = r["letter2arm"]
+        for arm in l2a.values():
+            seen[arm] += 1
+        b, w = l2a.get(str(v.get("best"))), l2a.get(str(v.get("worst")))
+        if b:
+            plus[b] += 1
+        if w:
+            minus[w] += 1
+    return {a: (plus[a] - minus[a]) / n for a, n in seen.items() if n}
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--dir", required=True, type=Path, help="каталог фазы B (arms_final.json, j*.json, raw/)")
+    a = ap.parse_args()
+    D = a.dir
+
+    res = json.loads((D / "arms_final.json").read_text(encoding="utf-8"))["results"]
+    by, gold = collections.defaultdict(dict), {}
+    for r in res:
+        by[r["id"]][r["arm"]] = (r["dst"] or "").strip()
+        if r.get("gold"):
+            gold[r["id"]] = r["gold"].strip()
+
+    def cands(tid: str) -> dict[str, str]:
+        m = dict(by[tid])
+        if tid in gold:
+            m["GOLD"] = gold[tid]
+        return m
+
+    print(f"=== 1. §B1.1 совпадение с подписью (термов с эталоном: {len(gold)}) ===")
+    hit, tot = collections.Counter(), collections.Counter()
+    per = collections.defaultdict(collections.Counter)
+    pert = collections.defaultdict(collections.Counter)
+    for r in res:
+        if not r.get("gold"):
+            continue
+        tot[r["arm"]] += 1
+        pert[r["sample"]][r["arm"]] += 1
+        if norm(r["dst"]) == norm(r["gold"]):
+            hit[r["arm"]] += 1
+            per[r["sample"]][r["arm"]] += 1
+    for arm in ARMS:
+        print(f"   {arm:4s} {hit[arm]}/{tot[arm]} = {hit[arm]/tot[arm]:.3f}")
+    for s in sorted(pert):
+        print(f"   {s}: " + " ".join(f"{x}={per[s][x]}/{pert[s][x]}" for x in ARMS))
+    print("   отчёт §B1.1: 12/19 · 19/19 · 18/19 · 18/19 · 17/19 · 17/19")
+
+    print("\n=== 2. покрытие набора жанровым словарём ===")
+    srcs = {r["src"] for r in res}
+    fed = sorted(srcs & {"修真", "修行", "丹田", "经脉", "灵气", "金丹"})
+    full = sorted(srcs & set(Z4T_SRC))
+    print(f"   6 строк, реально уехавших в промпт: {len(fed)}/80 {fed}")
+    print(f"   ПОЛНЫЙ словарь §Z4-Т (37 строк):     {len(full)}/80 {full}")
+    print("   ⇒ вывод §B1.2 (словарь инертен на этом наборе) от подачи НЕ зависит")
+
+    print("\n=== 3. состав промпта каждого арма ПО СЫРЬЮ ===")
+    first: dict[str, str] = {}
+    for p in sorted((D / "raw").glob("*.json")) + sorted((D / "raw_P4").glob("*.json")):
+        r = json.loads(p.read_text(encoding="utf-8"))
+        first.setdefault(r["arm"], r["prompt"])
+    for arm in ARMS:
+        pr = first.get(arm, "")
+        print(f"   {arm:4s} " + " ".join(f"{k}={'ДА' if v in pr else '--'}" for k, v in BLOCKS.items()))
+    print("   ⇒ ПРАВИЛО ИМЕНИ СОБСТВЕННОГО есть во ВСЕХ шести армах: контрольного арма без него НЕТ")
+
+    print("\n=== 4-5. вырожденные айтемы и измеримость контроля §A2.4 п.4 ===")
+    deg = {t for t in by if len({norm(v) for v in cands(t).values()}) == 1}
+    nondeg = set(by) - deg
+    uniq = [t for t in gold if norm(gold[t]) not in {norm(v) for v in by[t].values()}]
+    print(f"   термов всего {len(by)}; ВСЕ кандидаты идентичны у {len(deg)}; невырожденных {len(nondeg)}")
+    print(f"   из {len(gold)} термов с GOLD полностью вырождены {len(deg & set(gold))}")
+    print(f"   термов, где строка GOLD УНИКАЛЬНА среди кандидатов: {len(uniq)}/{len(gold)}")
+    print("   ⇒ контроль «отличает ли судья подпись от случайного варианта» на этом наборе НЕИЗМЕРИМ")
+
+    jf = [D / "j1.json", D / "j2.json"]
+    rows = [r for f in jf for r in json.loads(f.read_text(encoding="utf-8"))["rows"] if not r.get("reverse")]
+    print("\n=== 6. BWS тем же скорером: все айтемы против невырожденных ===")
+    for label, sub in [("все 80 (как в отчёте)", None), ("45 невырожденных", nondeg)]:
+        k1 = bws(rows, "K1", sub)
+        d1 = abs(k1.get("P1", 0) - k1.get("P0b", 0))
+        d1b = abs(k1.get("P2", 0) - k1.get("P0", 0))
+        print(f"   [{label}] " + " · ".join(f"{a} {v:+.3f}" for a, v in sorted(k1.items(), key=lambda x: -x[1])))
+        print(f"      F1  |P1−P0b|={d1:.3f} → {'ПРОВАЛ' if d1 < 0.10 else 'НЕ провал'}   "
+              f"F1b |P2−P0|={d1b:.3f} → {'ПРОВАЛ' if d1b < 0.10 else 'НЕ провал'}  (порог 0.10)")
+    print("   ⇒ на невырожденных айтемах оба критерия переворачиваются, а P0b встаёт ПОСЛЕДНИМ —")
+    print("     то есть судьи разрыв «контексты работают» ВИДЯТ; его прятали вырожденные термы")
+
+    print("\n=== 7. катастрофы на GOLD: согласованность судьи ===")
+    j1 = json.loads((D / "j1.json").read_text(encoding="utf-8"))["rows"]
+    ncat = 0
+    for row in j1:
+        l2a = row.get("letter2arm") or {}
+        inv = {v: k for k, v in l2a.items()}
+        if "GOLD" not in inv or inv["GOLD"] not in (row.get("catastrophic") or []):
+            continue
+        ncat += 1
+        c = cands(row["id"])
+        twin = sorted(L for L, arm in l2a.items() if norm(c.get(arm, "")) == norm(c["GOLD"]))
+        cat = sorted(row.get("catastrophic") or [])
+        print(f"   {row['id']:22s} {c['GOLD']!r:26s} букв с тем же текстом={twin} помечено={cat}"
+              f" {'СОГЛАСОВАНО' if twin == cat else '← РАСХОЖДЕНИЕ'}")
+    print(f"   всего катастроф на GOLD: {ncat} — и это несогласие судьи с каноном ПО СУЩЕСТВУ,")
+    print("   а не неспособность отличить подпись: одинаковый текст он метит одинаково")
+
+    print("\n=== 8. чем объясняется разрыв прокси §B1.3 на ловушке S5 ===")
+    s5 = collections.defaultdict(dict)
+    for r in res:
+        if r["sample"] == "S5":
+            s5[r["src"]][r["arm"]] = r["dst"]
+    for src, m in s5.items():
+        n = len({norm(v) for v in m.values()})
+        mark = "  ← ЕДИНСТВЕННЫЙ источник разрыва P0 против P2/P3/P4" if src == "春秋蝉" else ""
+        print(f"   {src:6s} различных вариантов={n}{mark}")
+    print("   ⇒ строка S5 прокси НЕ является уликой, независимой от наблюдения по 春秋蝉 (§B1.4)")
+
+    print("\n=== 9. деньги из сырья против леджера ===")
+    pi, po, pc = PRICE["deepseek-v4-flash"]
+    grand = 0.0
+    for sub, label, claim in [("raw", "армы, первый прогон", 0.07791), ("raw_P4", "P4 пере-прогон", 0.01413)]:
+        ti = to = tc = 0
+        for p in sorted((D / sub).glob("*.json")):
+            u = json.loads(p.read_text(encoding="utf-8"))["usage"]
+            ti += u["in"]; to += u["out"]; tc += u.get("cached") or 0
+        usd = (ti - tc) / 1e6 * pi + tc / 1e6 * pc + to / 1e6 * po
+        grand += usd
+        print(f"   {label:22s} in={ti:7d} out={to:6d} cached={tc:6d} ${usd:.5f} (отчёт ${claim:.5f})")
+    for f in ["j1.json", "j2.json", "j3.json"]:
+        led = json.loads((D / f).read_text(encoding="utf-8"))["ledger"]
+        usd = sum(x["usd"] for x in led)
+        grand += usd
+        nofin = sum(1 for x in led if x.get("finish") != "stop")
+        print(f"   {f:22s} вызовов={len(led)} ${usd:.5f} finish!=stop={nofin}")
+    print(f"   ИТОГО ${grand:.5f} (отчёт $0.31030)")
+    print("   NB: сырьё СУДЕЙ содержит только id/prompt/response — usage у них живёт лишь в леджере,")
+    print("   вопреки формулировке §B0.4 «сырьё каждого вызова … usage … сохраняется целиком»")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/bkrs_lookup.py

@@ -0,0 +1,101 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7 (Z4-добор): словарные статьи БКРС для списка терминов.
+
+Зачем. В фазе A «что говорит БКРС» осталось UNCLEAR по ВСЕМ терминам: страница считалась
+JS-рендеримой. На деле bkrs.info ставит одноразовый куки-челлендж (`ca=<hex>`) и перезагружает
+страницу; воспроизведя куку, получаем СЕРВЕРНЫЙ html со статьёй. Словарная улика — сильнейший
+класс из доступных нам (сильнее площадочной и сильнее аннотации), поэтому она закрывает больше
+строк §A4.3, чем весь остальной добор.
+
+Лицензия источника (со страницы «Скачать словарь», дамп 2026.06.10): «Базы можно использовать
+свободно в любых целях. Можно указать данный сайт как источник.» — то есть провенанс-класс
+«серый→зелёный при указании источника», и мы источник указываем.
+
+$0: сетевой GET, ни одной модели. Вежливость: пауза между запросами, один проход по списку.
+"""
+from __future__ import annotations
+
+import argparse
+import html
+import json
+import re
+import sys
+import time
+import urllib.parse
+import urllib.request
+from pathlib import Path
+
+UA = ("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) "
+      "Chrome/120.0 Safari/537.36")
+BASE = "https://bkrs.info/slovo.php?ch="
+
+
+def get(url: str, cookie: str | None = None, timeout: int = 30) -> str:
+    req = urllib.request.Request(url, headers={"User-Agent": UA})
+    if cookie:
+        req.add_header("Cookie", cookie)
+    with urllib.request.urlopen(req, timeout=timeout) as r:
+        return r.read().decode("utf-8", "replace")
+
+
+def challenge_cookie(sample_html: str) -> str | None:
+    m = re.search(r'"(ca=[0-9a-f]+)', sample_html)
+    return m.group(1) if m else None
+
+
+def extract_entry(page: str, term: str) -> str:
+    """Тело словарной статьи: от заголовка-термина до служебного хвоста страницы."""
+    txt = html.unescape(re.sub(r"<(script|style)[^>]*>.*?</\1>", " ", page, flags=re.S))
+    txt = re.sub(r"<[^>]+>", "\n", txt)
+    lines = [x.strip() for x in txt.split("\n") if x.strip()]
+    # Статья начинается ПОСЛЕ последнего вхождения служебного пункта меню «Контакты»/«Войти»
+    start = 0
+    for i, l in enumerate(lines):
+        if l in ("Войти", "Контакты", "Тёмная тема"):
+            start = i + 1
+    body = lines[start:]
+    # и заканчивается перед подвалом
+    stop = len(body)
+    for i, l in enumerate(body):
+        if l.startswith(("В начало", "Обсуждение", "Комментарии", "Ошибки", "Пожаловаться",
+                         "Добавить", "Правка", "Примеры", "Похожие")):
+            stop = i
+            break
+    return " ".join(body[:stop]).strip()
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--terms", required=True, type=Path, help="файл: по термину в строке")
+    ap.add_argument("--out", required=True, type=Path)
+    ap.add_argument("--sleep", type=float, default=1.2)
+    a = ap.parse_args()
+
+    terms = [t.strip() for t in a.terms.read_text(encoding="utf-8").splitlines()
+             if t.strip() and not t.startswith("#")]
+
+    first = get(BASE + urllib.parse.quote(terms[0]))
+    cookie = challenge_cookie(first)
+    if not cookie:
+        print("челлендж-кука не найдена — страница отдалась сразу", file=sys.stderr)
+
+    rows = []
+    for i, t in enumerate(terms, 1):
+        try:
+            page = get(BASE + urllib.parse.quote(t), cookie)
+            entry = extract_entry(page, t)
+        except Exception as e:  # сеть — не повод останавливать проход
+            entry = f"__ОШИБКА__ {e}"
+        found = bool(entry) and "__ОШИБКА__" not in entry and "Не найдено" not in entry
+        rows.append({"src": t, "found": found, "entry": entry})
+        print(f"[{i}/{len(terms)}] {t}\t{'OK' if found else 'НЕТ'}\t{entry[:110]}", file=sys.stderr)
+        time.sleep(a.sleep)
+
+    a.out.write_text(json.dumps(rows, ensure_ascii=False, indent=1), encoding="utf-8")
+    ok = sum(r["found"] for r in rows)
+    print(f"\nитого: {ok}/{len(rows)} статей найдено → {a.out}", file=sys.stderr)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/blind_judge.py

@@ -0,0 +1,191 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B: слепая оценка Best-Worst Scaling по критериям рубрики §A2.
+
+Почему BWS, а не абсолютные баллы: на художественном материале MQM-скоринг ошибочно признаёт ~60%
+ЧЕЛОВЕЧЕСКИХ переводов не лучше машинных, тогда как Best-Worst Scaling опознаёт человека в 80–100%
+(§A2.0). Абсолютная шкала остаётся только для катастроф-экрана.
+
+Слепота (D13.5 + §A2.4): варианты перемешиваются СОЛЬЮ ПО ТЕРМУ, метки A..F не несут информации об
+арме, судья не видит ни имени арма, ни эталона владельца. Порядок сохраняется в ключе отдельно.
+
+Судейская дисциплина (D13.3): судья не судит выход своего семейства — консолидатор deepseek,
+судьи из ДРУГИХ семейств. Позиционный своп меряется отдельным прогоном, а не считается бесплатным
+(§A2.4 п.5: на кураторских наборах своп может УХУДШАТЬ).
+
+Критерий K2 «жанровая конвенция» на выборках S3/S4 помечен н/д и НЕ оценивается: конвенции для
+ja/en у нас нет, оценивать соответствие несуществующему — купить бессмысленный вердикт (§A5.3).
+"""
+from __future__ import annotations
+
+import argparse
+import hashlib
+import json
+import os
+import re
+import sys
+import time
+from pathlib import Path
+
+import yaml
+from dotenv import load_dotenv
+from openai import OpenAI
+
+REPO = Path(__file__).resolve().parents[2]
+load_dotenv(REPO / "eval" / ".env")
+
+CRITERIA = {
+    "K1": "верность концепту: вариант обозначает то же понятие, что исходный термин в этих контекстах",
+    "K2": "жанровая конвенция: вариант совпадает с тем, как этот класс терминов принято передавать в русских изданиях жанра",
+    "K5": "морфологическая пригодность: вариант склоняем по-русски, у него устойчивый род, он не ломает согласование",
+    "K6": "литературность и благозвучие: вариант годится в художественный текст, не режет ухо",
+    "K9": "уместность регистра: не подставлен академический/канцелярский термин туда, где нужен жанровый, и наоборот",
+}
+
+JUDGE_TASK = """Ты — эксперт по художественному переводу на русский язык. Тебе дают термин
+исходного текста, его контексты из книги и НЕСКОЛЬКО вариантов русского соответствия, помеченных
+буквами. Кто какой вариант предложил — тебе неизвестно и не важно.
+
+Для каждого названного критерия выбери ЛУЧШИЙ и ХУДШИЙ вариант.
+Отдельно отметь варианты, которые являются КАТАСТРОФОЙ: меняют смысл на другой/противоположный,
+либо являются не переводом, а мусором.
+
+Отвечай СТРОГО одним JSON-объектом без пояснений вне JSON:
+{"verdicts": {"<критерий>": {"best": "<буква>", "worst": "<буква>"}, ...},
+ "catastrophic": ["<буква>", ...],
+ "note": "<до 25 слов, почему лучший лучший>"}"""
+
+
+def salt_order(term_id: str, arms: list[str], reverse: bool) -> list[str]:
+    h = hashlib.sha256(f"pkg7:{term_id}".encode()).hexdigest()
+    order = sorted(arms, key=lambda a: hashlib.sha256((h + a).encode()).hexdigest())
+    return list(reversed(order)) if reverse else order
+
+
+def build_prompt(item: dict, cands: list[tuple[str, str]], crits: list[str]) -> str:
+    ctx = "\n".join(f"  …{k['win']}…" for k in item["kwic"][:6]) or "  (контекстов нет)"
+    opts = "\n".join(f"  {letter}. {dst}" for letter, dst in cands)
+    cr = "\n".join(f"  {c}: {CRITERIA[c]}" for c in crits)
+    return (f"{JUDGE_TASK}\n\nИСХОДНЫЙ ТЕРМИН: {item['src']}\n"
+            f"ЯЗЫК ИСХОДНИКА: {item['lang']}\n\nКОНТЕКСТЫ ИЗ КНИГИ:\n{ctx}\n\n"
+            f"ВАРИАНТЫ:\n{opts}\n\nКРИТЕРИИ:\n{cr}")
+
+
+def parse_obj(text: str) -> dict:
+    m = re.search(r"\{.*\}", text, re.S)
+    if not m:
+        return {}
+    try:
+        v = json.loads(m.group(0))
+        return v if isinstance(v, dict) else {}
+    except json.JSONDecodeError:
+        return {}
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--termset", required=True, type=Path)
+    ap.add_argument("--arms", required=True, type=Path)
+    ap.add_argument("--out", required=True, type=Path)
+    ap.add_argument("--raw-dir", required=True, type=Path)
+    ap.add_argument("--judge", required=True, help="имя модели из models.yaml")
+    ap.add_argument("--base-url", required=True)
+    ap.add_argument("--key-env", required=True)
+    ap.add_argument("--style", choices=["openai-reasoning", "plain", "xai"], default="plain")
+    ap.add_argument("--reverse", action="store_true", help="прогон с ОБРАЩЁННЫМ порядком (замер свопа)")
+    ap.add_argument("--max-tokens", type=int, default=4000)
+    ap.add_argument("--dry-run", action="store_true")
+    a = ap.parse_args()
+
+    items = {i["id"]: i for i in json.loads(a.termset.read_text(encoding="utf-8"))}
+    arms_data = json.loads(a.arms.read_text(encoding="utf-8"))["results"]
+    by_id: dict[str, dict[str, str]] = {}
+    for r in arms_data:
+        if r.get("dst"):
+            by_id.setdefault(r["id"], {})[r["arm"]] = r["dst"].strip()
+
+    doc = yaml.safe_load((REPO / "backend/configs/models.yaml").read_text(encoding="utf-8")) or {}
+    p = ((doc.get("models") or {}).get(a.judge) or {}).get("price") or {}
+    pin, pout = float(p.get("input_per_m", 0)), float(p.get("output_per_m", 0))
+
+    # Подписанный владельцем dst участвует в слепом сравнении НАРАВНЕ с армами (§A2.4 п.4):
+    # без него нельзя вынести F2 («бьёт ли арм эталон»), а оценщик, не отличающий подпись от
+    # случайного варианта, обязан быть отбракован — увидеть это можно только так.
+    for tid, it in items.items():
+        if it.get("gold") and tid in by_id:
+            by_id[tid]["GOLD"] = it["gold"].strip()
+
+    tasks = []
+    for tid, variants in by_id.items():
+        it = items.get(tid)
+        if not it or len(variants) < 2:
+            continue
+        crits = [c for c in CRITERIA if not (c == "K2" and it["sample"] in ("S3", "S4"))]
+        order = salt_order(tid, sorted(variants), a.reverse)
+        letters = "ABCDEFG"
+        cands = [(letters[k], variants[arm]) for k, arm in enumerate(order)]
+        tasks.append((tid, it, order, cands, crits))
+
+    est_in = sum(len(build_prompt(it, c, cr)) for _, it, _, c, cr in tasks) / 3.2
+    est_out = len(tasks) * 350
+    print(f"ПЛАН судьи {a.judge}{' (обратный порядок)' if a.reverse else ''}: {len(tasks)} термов")
+    print(f"СМЕТА ДО ВЫЗОВОВ: вход ≈{est_in/1000:.1f}k → ${est_in/1e6*pin:.4f}; "
+          f"выход ≈{est_out/1000:.1f}k → ${est_out/1e6*pout:.4f}; "
+          f"ИТОГО ≈ ${est_in/1e6*pin + est_out/1e6*pout:.4f}")
+    if a.dry_run:
+        return 0
+
+    key = os.environ.get(a.key_env)
+    if not key:
+        print(f"нет ключа {a.key_env}", file=sys.stderr)
+        return 2
+    client = OpenAI(api_key=key, base_url=a.base_url)
+    a.raw_dir.mkdir(parents=True, exist_ok=True)
+
+    rows, ledger = [], []
+    for n, (tid, it, order, cands, crits) in enumerate(tasks, 1):
+        prompt = build_prompt(it, cands, crits)
+        kw: dict = {"model": a.judge, "messages": [{"role": "user", "content": prompt}]}
+        if a.style == "openai-reasoning":
+            kw["max_completion_tokens"] = a.max_tokens
+            kw["reasoning_effort"] = "minimal"      # квирк gpt-5-mini
+        elif a.style == "xai":
+            kw["max_tokens"] = a.max_tokens
+            kw["reasoning_effort"] = "low"          # квирк grok: дефолт low, явно
+        else:
+            kw["max_tokens"] = a.max_tokens
+        try:
+            resp = client.chat.completions.create(**kw)
+        except Exception as e:
+            print(f"[{n}/{len(tasks)}] {tid} ОШИБКА: {e}", file=sys.stderr)
+            ledger.append({"id": tid, "error": str(e)})
+            continue
+        txt = resp.choices[0].message.content or ""
+        u = resp.usage
+        cin, cout = getattr(u, "prompt_tokens", 0), getattr(u, "completion_tokens", 0)
+        usd = cin / 1e6 * pin + cout / 1e6 * pout
+        v = parse_obj(txt)
+        letters = [c[0] for c in cands]
+        letter2arm = {letters[k]: order[k] for k in range(len(order))}
+        rows.append({"id": tid, "sample": it["sample"], "judge": a.judge,
+                     "reverse": bool(a.reverse), "letter2arm": letter2arm,
+                     "verdicts": v.get("verdicts", {}), "catastrophic": v.get("catastrophic", []),
+                     "note": v.get("note", "")})
+        (a.raw_dir / f"{a.judge}_{'rev' if a.reverse else 'fwd'}_{n:03d}.json").write_text(
+            json.dumps({"id": tid, "prompt": prompt, "response": txt}, ensure_ascii=False, indent=1),
+            encoding="utf-8")
+        ledger.append({"id": tid, "in": cin, "out": cout, "usd": usd,
+                       "finish": resp.choices[0].finish_reason, "ok": bool(v.get("verdicts"))})
+        if n % 10 == 0 or n == len(tasks):
+            print(f"  [{n}/{len(tasks)}] ${sum(x.get('usd',0) for x in ledger):.4f}")
+        time.sleep(0.2)
+
+    a.out.write_text(json.dumps({"rows": rows, "ledger": ledger}, ensure_ascii=False, indent=1),
+                     encoding="utf-8")
+    tot = sum(x.get("usd", 0) for x in ledger)
+    ok = sum(1 for r in rows if r["verdicts"])
+    print(f"\nСУДЬЯ {a.judge}: вердиктов {ok}/{len(tasks)}, ПОТРАЧЕНО ${tot:.5f}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/blind_judge2.py

@@ -0,0 +1,244 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B′: слепая оценка на ПОЧИНЕННОМ наборе (пре-регистрация §0.3).
+
+Чем отличается от `blind_judge.py` и почему это не «другой судья», а другой НАБОР.
+Ревизия §B6 показала: инструмент фазы B оценивал наполовину вырожденные айтемы — у 35 термов из 80
+все семь кандидатов были ОДНОЙ И ТОЙ ЖЕ строкой, и судью просили выбрать лучшую из семи одинаковых.
+Отсюда плоские счета и «неразличимость армов». Здесь чинится сборка:
+
+  1) ДЕДУПЛИКАЦИЯ — одинаковые строки схлопываются в один вариант, арм-источники хранятся в ключе;
+  2) только термы, где после дедупликации осталось ≥2 варианта (иначе сравнивать нечего);
+  3) ДЕКОЙ — заведомо неверный вариант (dst ДРУГОГО терма той же выборки), подложенный вслепую.
+
+Декой — несущая часть, а не украшение. В фазе B контроль «отличает ли судья годное от случайного»
+был структурно НЕИЗМЕРИМ: строка `GOLD` не была уникальной ни на одном из 19 термов, поэтому
+отбраковать судью по ней было нельзя (а отчёт B это сделал — ошибка R1). Декой уникален по
+построению, и контроль становится измеримым.
+
+Сырьё пишется вместе с `usage` и `finish_reason` — дефект записи фазы B (§B6 R7.2) чинится здесь.
+"""
+from __future__ import annotations
+
+import argparse
+import hashlib
+import json
+import os
+import re
+import sys
+import time
+from pathlib import Path
+
+import yaml
+from dotenv import load_dotenv
+from openai import OpenAI
+
+REPO = Path(__file__).resolve().parents[2]
+load_dotenv(REPO / "eval" / ".env")
+
+CRITERIA = {
+    "K1": "верность концепту: вариант обозначает то же понятие, что исходный термин в этих контекстах",
+    "K2": "жанровая конвенция: вариант совпадает с тем, как этот класс терминов принято передавать в русских изданиях жанра",
+    "K5": "морфологическая пригодность: вариант склоняем по-русски, у него устойчивый род, он не ломает согласование",
+    "K6": "литературность и благозвучие: вариант годится в художественный текст, не режет ухо",
+    "K9": "уместность регистра: не подставлен академический/канцелярский термин туда, где нужен жанровый, и наоборот",
+}
+
+JUDGE_TASK = """Ты — эксперт по художественному переводу на русский язык. Тебе дают термин
+исходного текста, его контексты из книги и НЕСКОЛЬКО вариантов русского соответствия, помеченных
+буквами. Кто какой вариант предложил — тебе неизвестно и не важно.
+
+Для каждого названного критерия выбери ЛУЧШИЙ и ХУДШИЙ вариант.
+Отдельно отметь варианты, которые являются КАТАСТРОФОЙ: меняют смысл на другой/противоположный,
+либо являются не переводом, а мусором.
+
+Отвечай СТРОГО одним JSON-объектом без пояснений вне JSON:
+{"verdicts": {"<критерий>": {"best": "<буква>", "worst": "<буква>"}, ...},
+ "catastrophic": ["<буква>", ...],
+ "note": "<до 25 слов, почему лучший лучший>"}"""
+
+
+def norm(s: str) -> str:
+    return re.sub(r"\s+", " ", (s or "").strip().lower())
+
+
+def salt_order(term_id: str, keys: list[str]) -> list[str]:
+    h = hashlib.sha256(f"pkg7b2:{term_id}".encode()).hexdigest()
+    return sorted(keys, key=lambda k: hashlib.sha256((h + k).encode()).hexdigest())
+
+
+def build_prompt(item: dict, cands: list[tuple[str, str]], crits: list[str]) -> str:
+    ctx = "\n".join(f"  …{k['win']}…" for k in item["kwic"][:6]) or "  (контекстов нет)"
+    opts = "\n".join(f"  {letter}. {dst}" for letter, dst in cands)
+    cr = "\n".join(f"  {c}: {CRITERIA[c]}" for c in crits)
+    return (f"{JUDGE_TASK}\n\nИСХОДНЫЙ ТЕРМИН: {item['src']}\n"
+            f"ЯЗЫК ИСХОДНИКА: {item['lang']}\n\nКОНТЕКСТЫ ИЗ КНИГИ:\n{ctx}\n\n"
+            f"ВАРИАНТЫ:\n{opts}\n\nКРИТЕРИИ:\n{cr}")
+
+
+def parse_obj(text: str) -> dict:
+    m = re.search(r"\{.*\}", text, re.S)
+    if not m:
+        return {}
+    raw = m.group(0)
+    for extra in range(0, 4):                      # терпимость к недостающим скобкам (урок фазы B)
+        try:
+            v = json.loads(raw + "}" * extra)
+        except json.JSONDecodeError:
+            continue
+        if not isinstance(v, dict):
+            return {}
+        ver = v.get("verdicts")
+        if isinstance(ver, dict):
+            for key in ("catastrophic", "note"):
+                if key in ver and key not in v:
+                    v[key] = ver.pop(key)
+        return v
+    return {}
+
+
+def build_tasks(items: dict, by_id: dict) -> list[tuple]:
+    """Дедупликация вариантов + подкладка декоя. Возвращает задания судье."""
+    # пул для декоя: по выборке — все dst ДРУГИХ термов
+    pool: dict[str, list[tuple[str, str]]] = {}
+    for tid, variants in by_id.items():
+        it = items.get(tid)
+        if not it:
+            continue
+        for dst in variants.values():
+            pool.setdefault(it["sample"], []).append((tid, dst))
+
+    tasks = []
+    for tid in sorted(by_id):
+        it = items.get(tid)
+        if not it:
+            continue
+        # схлопнуть одинаковые строки: ключ — нормализованный текст, значение — (показ, источники)
+        groups: dict[str, tuple[str, list[str]]] = {}
+        for src_label, dst in sorted(by_id[tid].items()):
+            k = norm(dst)
+            if k not in groups:
+                groups[k] = (dst, [])
+            groups[k][1].append(src_label)
+        if len(groups) < 2:
+            continue                                # вырожденный терм — сравнивать нечего
+
+        # Декой: dst ДРУГОГО терма той же выборки. Выбор детерминирован солью по терму (прогон
+        # воспроизводим), первый кандидат, не совпадающий ни с одним настоящим вариантом.
+        decoy = None
+        cand_pool = sorted({d for (other, d) in pool.get(it["sample"], []) if other != tid})
+        if cand_pool:
+            start = int(hashlib.sha256(f"decoy:{tid}".encode()).hexdigest(), 16) % len(cand_pool)
+            for k in range(len(cand_pool)):
+                pick = cand_pool[(start + k) % len(cand_pool)]
+                if norm(pick) not in groups:
+                    decoy = pick
+                    break
+        variants = {f"V{n}": g for n, g in enumerate(groups.values())}
+        if decoy:
+            variants["DECOY"] = (decoy, ["DECOY"])
+
+        crits = [c for c in CRITERIA if not (c == "K2" and it["sample"] in ("S3", "S4"))]
+        order = salt_order(tid, sorted(variants))
+        letters = "ABCDEFGH"
+        cands = [(letters[k], variants[key][0]) for k, key in enumerate(order)]
+        letter2sources = {letters[k]: variants[key][1] for k, key in enumerate(order)}
+        tasks.append((tid, it, cands, letter2sources, crits))
+    return tasks
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--termset", required=True, type=Path)
+    ap.add_argument("--arms", action="append", required=True, type=Path,
+                    help="можно указать несколько файлов армов (фаза B + арм P5 фазы B′)")
+    ap.add_argument("--out", required=True, type=Path)
+    ap.add_argument("--raw-dir", required=True, type=Path)
+    ap.add_argument("--judge", required=True)
+    ap.add_argument("--base-url", required=True)
+    ap.add_argument("--key-env", required=True)
+    ap.add_argument("--style", choices=["openai-reasoning", "plain", "xai"], default="plain")
+    ap.add_argument("--max-tokens", type=int, default=4000)
+    ap.add_argument("--dry-run", action="store_true")
+    a = ap.parse_args()
+
+    items = {i["id"]: i for i in json.loads(a.termset.read_text(encoding="utf-8"))}
+    by_id: dict[str, dict[str, str]] = {}
+    for f in a.arms:
+        for r in json.loads(f.read_text(encoding="utf-8"))["results"]:
+            if r.get("dst"):
+                by_id.setdefault(r["id"], {})[r["arm"]] = r["dst"].strip()
+    for tid, it in items.items():
+        if it.get("gold") and tid in by_id:
+            by_id[tid]["GOLD"] = it["gold"].strip()
+
+    doc = yaml.safe_load((REPO / "backend/configs/models.yaml").read_text(encoding="utf-8")) or {}
+    p = ((doc.get("models") or {}).get(a.judge) or {}).get("price") or {}
+    pin, pout = float(p.get("input_per_m", 0)), float(p.get("output_per_m", 0))
+
+    tasks = build_tasks(items, by_id)
+    ndec = sum(1 for _, _, _, l2s, _ in tasks if any("DECOY" in v for v in l2s.values()))
+    sizes = [len(c) for _, _, c, _, _ in tasks]
+    est_in = sum(len(build_prompt(it, c, cr)) for _, it, c, _, cr in tasks) / 3.2
+    est_out = len(tasks) * 350
+    print(f"ПЛАН судьи {a.judge}: термов {len(tasks)} (из {len(by_id)}); с декоем {ndec}; "
+          f"вариантов на терм {min(sizes)}–{max(sizes)} (в фазе B было ровно 7)")
+    print(f"СМЕТА ДО ВЫЗОВОВ: вход ≈{est_in/1000:.1f}k → ${est_in/1e6*pin:.4f}; "
+          f"выход ≈{est_out/1000:.1f}k → ${est_out/1e6*pout:.4f}; "
+          f"ИТОГО ≈ ${est_in/1e6*pin + est_out/1e6*pout:.4f}")
+    if a.dry_run:
+        return 0
+
+    key = os.environ.get(a.key_env)
+    if not key:
+        print(f"нет ключа {a.key_env}", file=sys.stderr)
+        return 2
+    client = OpenAI(api_key=key, base_url=a.base_url)
+    a.raw_dir.mkdir(parents=True, exist_ok=True)
+
+    rows, ledger = [], []
+    for n, (tid, it, cands, l2s, crits) in enumerate(tasks, 1):
+        prompt = build_prompt(it, cands, crits)
+        kw: dict = {"model": a.judge, "messages": [{"role": "user", "content": prompt}]}
+        if a.style == "openai-reasoning":
+            kw["max_completion_tokens"] = a.max_tokens
+            kw["reasoning_effort"] = "minimal"
+        elif a.style == "xai":
+            kw["max_tokens"] = a.max_tokens
+            kw["reasoning_effort"] = "low"
+        else:
+            kw["max_tokens"] = a.max_tokens
+        try:
+            resp = client.chat.completions.create(**kw)
+        except Exception as e:
+            print(f"[{n}/{len(tasks)}] {tid} ОШИБКА: {e}", file=sys.stderr)
+            ledger.append({"id": tid, "error": str(e)})
+            continue
+        txt = resp.choices[0].message.content or ""
+        u = resp.usage
+        cin, cout = getattr(u, "prompt_tokens", 0), getattr(u, "completion_tokens", 0)
+        usd = cin / 1e6 * pin + cout / 1e6 * pout
+        v = parse_obj(txt)
+        rows.append({"id": tid, "sample": it["sample"], "judge": a.judge,
+                     "letter2sources": l2s, "candidates": dict(cands),
+                     "verdicts": v.get("verdicts", {}), "catastrophic": v.get("catastrophic", []),
+                     "note": v.get("note", "")})
+        (a.raw_dir / f"{a.judge}_{n:03d}.json").write_text(
+            json.dumps({"id": tid, "prompt": prompt, "response": txt,
+                        "usage": {"in": cin, "out": cout}, "finish": resp.choices[0].finish_reason},
+                       ensure_ascii=False, indent=1), encoding="utf-8")
+        ledger.append({"id": tid, "in": cin, "out": cout, "usd": usd,
+                       "finish": resp.choices[0].finish_reason, "ok": bool(v.get("verdicts"))})
+        if n % 10 == 0 or n == len(tasks):
+            print(f"  [{n}/{len(tasks)}] ${sum(x.get('usd', 0) for x in ledger):.4f}")
+        time.sleep(0.2)
+
+    a.out.write_text(json.dumps({"rows": rows, "ledger": ledger}, ensure_ascii=False, indent=1),
+                     encoding="utf-8")
+    tot = sum(x.get("usd", 0) for x in ledger)
+    ok = sum(1 for r in rows if r["verdicts"])
+    print(f"\nСУДЬЯ {a.judge}: вердиктов {ok}/{len(tasks)}, ПОТРАЧЕНО ${tot:.5f}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/build_termset.py

@@ -0,0 +1,207 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B: сборка набора термов со входом терминолога.
+
+Вход роли ТЕРМИНОЛОГ по D39.42 п.1 — «смердженный банк + KWIC-контексты вхождений из исходника +
+варианты черновиков». Здесь это собирается из РЕАЛЬНЫХ артефактов стенда, а не из выдумки:
+
+  - `books/gu-zhenren/labels/raw/corpus.jsonl` — 91 юнит из ШЕСТИ настоящих прогонов с
+    выровненными source/draft/final (постоянный измерительный стенд, D39.39);
+  - сид книги + `minirun/mined-delta.yaml` — ПОДПИСАННЫЕ владельцем dst (золотой стандарт);
+  - TSV боевого майнера (пакет-7 фаза A) — намайненные термы БЕЗ dst;
+  - JSONL-субстраты остальных книг стенда — для выборок S2–S4.
+
+ЧЕСТНОЕ ОГРАНИЧЕНИЕ, зафиксированное ДО трат: черновики существуют ТОЛЬКО у 蛊真人. У 金瓶梅,
+исэкая и en-книг переводов нет, поэтому на выборках S2–S4 компонента «варианты черновиков» пуста
+по построению, и арм P1 там вырождается в «только KWIC». Это не правка пре-регистрации, а
+названное ограничение материала.
+
+$0: чтение файлов, ни одного вызова модели.
+"""
+from __future__ import annotations
+
+import argparse
+import json
+import re
+from pathlib import Path
+
+import yaml
+
+CORPUS = Path("/home/ubuntu/books/gu-zhenren/labels/raw/corpus.jsonl")
+
+
+def load_jsonl(p: Path) -> list[dict]:
+    return [json.loads(l) for l in p.open(encoding="utf-8") if l.strip()]
+
+
+def kwic(units: list[dict], term: str, field: str, width: int, limit: int) -> list[dict]:
+    out = []
+    for u in units:
+        txt = u.get(field) or ""
+        pos = 0
+        while len(out) < limit:
+            i = txt.find(term, pos)
+            if i < 0:
+                break
+            a, b = max(0, i - width), min(len(txt), i + len(term) + width)
+            out.append({"chapter": u.get("chapter"), "run": u.get("run"),
+                        "win": txt[a:b].replace("\n", " ")})
+            pos = i + len(term)
+    return out
+
+
+def aligned_pairs(units: list[dict], term: str, limit: int, src_w: int, dst_w: int) -> list[dict]:
+    """Пары «окно исходника ↔ пропорционально позиционированное окно черновика».
+
+    Выравнивание ПРОПОРЦИОНАЛЬНОЕ (доля позиции в юните), а не словное: это приближение, и оно
+    названо приближением. Задача пары — показать модели, ЧТО черновик сделал в этом месте, а не
+    дать точную привязку токена.
+    """
+    out = []
+    for u in units:
+        src, drf = u.get("source") or "", u.get("draft") or ""
+        if not src or not drf:
+            continue
+        i = src.find(term)
+        if i < 0:
+            continue
+        frac = i / max(len(src), 1)
+        j = int(frac * len(drf))
+        a, b = max(0, i - src_w), min(len(src), i + len(term) + src_w)
+        c, d = max(0, j - dst_w), min(len(drf), j + dst_w)
+        out.append({"run": u.get("run"), "chapter": u.get("chapter"),
+                    "src_win": src[a:b].replace("\n", " "),
+                    "draft_win": drf[c:d].replace("\n", " ")})
+        if len(out) >= limit:
+            break
+    return out
+
+
+def seed_terms(paths: list[Path]) -> dict[str, dict]:
+    out = {}
+    for p in paths:
+        if not p.exists():
+            continue
+        doc = yaml.safe_load(p.read_text(encoding="utf-8")) or {}
+        for t in doc.get("terms") or []:
+            if t.get("src") and t.get("dst"):
+                out[t["src"]] = {"gold": t["dst"], "type": t.get("type", ""),
+                                 "note": (t.get("note") or "")[:400]}
+    return out
+
+
+def mined_terms(tsv: Path) -> list[dict]:
+    rows = []
+    for i, line in enumerate(tsv.open(encoding="utf-8")):
+        if i == 0:
+            continue
+        f = line.rstrip("\n").split("\t")
+        if f and f[0]:
+            rows.append({"src": f[0], "type": f[1] if len(f) > 1 else "",
+                         "freq": int(f[2]) if len(f) > 2 and f[2].isdigit() else 0})
+    return rows
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--out", required=True, type=Path)
+    ap.add_argument("--mined-tsv", type=Path, action="append", default=[])
+    ap.add_argument("--chunks", action="append", default=[],
+                    help="sample=path.jsonl для книг без черновиков (S2..S4)")
+    ap.add_argument("--extra-terms", action="append", default=[],
+                    help="sample=терм,терм,... — ручной список (ловушка S5)")
+    ap.add_argument("--n-signed", type=int, default=15)
+    ap.add_argument("--n-mined", type=int, default=15)
+    a = ap.parse_args()
+
+    units = load_jsonl(CORPUS)
+    gold = seed_terms([Path("/home/ubuntu/books/gu-zhenren/guzhenren-seed-v2.yaml"),
+                       Path("/home/ubuntu/books/gu-zhenren/minirun/mined-delta.yaml")])
+
+    items: list[dict] = []
+
+    # --- S1: подписанные термы, реально встречающиеся в корпусе (у них ЕСТЬ эталон) -----------
+    signed = []
+    for src, meta in gold.items():
+        occ = sum((u.get("source") or "").count(src) for u in units)
+        if occ:
+            signed.append((occ, src, meta))
+    signed.sort(key=lambda x: -x[0])
+    for occ, src, meta in signed[: a.n_signed]:
+        items.append({
+            "id": f"S1-signed-{src}", "sample": "S1", "src": src, "lang": "zh",
+            "gold": meta["gold"], "gold_type": meta["type"], "gold_note": meta["note"],
+            "occurrences": occ,
+            "kwic": kwic(units, src, "source", 60, 6),
+            "pairs": aligned_pairs(units, src, 3, 90, 130),
+        })
+
+    # --- S1: намайненные БЕЗ dst ---------------------------------------------------------------
+    seen = {i["src"] for i in items}
+    pool = []
+    for tsv in a.mined_tsv:
+        for r in mined_terms(tsv):
+            if r["src"] in gold or r["src"] in seen:
+                continue
+            occ = sum((u.get("source") or "").count(r["src"]) for u in units)
+            if occ:
+                pool.append((occ, r))
+    pool.sort(key=lambda x: -x[0])
+    picked = set()
+    for occ, r in pool:
+        if r["src"] in picked:
+            continue
+        picked.add(r["src"])
+        items.append({
+            "id": f"S1-mined-{r['src']}", "sample": "S1", "src": r["src"], "lang": "zh",
+            "gold": None, "gold_type": r["type"], "gold_note": "", "occurrences": occ,
+            "kwic": kwic(units, r["src"], "source", 60, 6),
+            "pairs": aligned_pairs(units, r["src"], 3, 90, 130),
+        })
+        if len(picked) >= a.n_mined:
+            break
+
+    # --- S2..S4: книги без черновиков ----------------------------------------------------------
+    for spec in a.chunks:
+        sample, path = spec.split("=", 1)
+        rows = load_jsonl(Path(path))
+        us = [{"source": r["source"], "chapter": r["chapter"], "run": sample} for r in rows]
+        for spec2 in a.extra_terms:
+            s2, terms = spec2.split("=", 1)
+            if s2 != sample:
+                continue
+            for t in [x for x in terms.split(",") if x.strip()]:
+                occ = sum(u["source"].count(t) for u in us)
+                items.append({
+                    "id": f"{sample}-{t}", "sample": sample, "src": t,
+                    "lang": {"S2": "zh", "S3": "ja", "S4": "en"}.get(sample, "zh"),
+                    "gold": None, "gold_type": "", "gold_note": "", "occurrences": occ,
+                    "kwic": kwic(us, t, "source", 60, 6),
+                    "pairs": [],  # черновиков нет по построению — названо в шапке
+                })
+
+    # --- S5: ловушка — подписанные dst, НАРУШАЮЩИЕ буквальность (стайл-каноны D39.21) ---------
+    for spec2 in a.extra_terms:
+        s2, terms = spec2.split("=", 1)
+        if s2 != "S5":
+            continue
+        for t in [x for x in terms.split(",") if x.strip()]:
+            occ = sum((u.get("source") or "").count(t) for u in units)
+            items.append({
+                "id": f"S5-{t}", "sample": "S5", "src": t, "lang": "zh",
+                "gold": gold.get(t, {}).get("gold"), "gold_type": gold.get(t, {}).get("type", ""),
+                "gold_note": gold.get(t, {}).get("note", ""), "occurrences": occ,
+                "kwic": kwic(units, t, "source", 60, 6),
+                "pairs": aligned_pairs(units, t, 3, 90, 130),
+            })
+
+    a.out.write_text(json.dumps(items, ensure_ascii=False, indent=1), encoding="utf-8")
+    from collections import Counter
+    c = Counter(i["sample"] for i in items)
+    ng = sum(1 for i in items if i["gold"])
+    npair = sum(1 for i in items if i["pairs"])
+    print(f"собрано термов: {len(items)}  по выборкам {dict(c)}  с эталоном {ng}  с парами черновика {npair}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/repair_judge.py

@@ -0,0 +1,85 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B: терпимый пере-разбор судейских ответов из СЫРЬЯ.
+
+Зачем. Строгий разбор в `blind_judge.py` потерял 5 вердиктов из 80 у первого судьи: модель отдала
+валидный по смыслу, но структурно битый JSON — `catastrophic` и `note` оказались ВНУТРИ объекта
+`verdicts`, а закрывающей скобки не хватило. Ответы сохранены целиком (правило 1 полигона), поэтому
+починка стоит $0 и не требует повторных вызовов — ровно ради этого сырьё и сохраняется.
+
+Что делает терпимый разбор:
+  1) пытается строгий json.loads;
+  2) при неудаче достраивает недостающие закрывающие скобки (до 3) и пробует снова;
+  3) если после разбора `catastrophic`/`note` лежат ВНУТРИ `verdicts` — поднимает их на уровень выше;
+  4) отбрасывает из `verdicts` всё, что не является парой {best, worst}.
+
+Ничего не додумывает: если после этого объект не читается, строка остаётся без вердикта и попадает
+в отчёт как потеря.
+"""
+from __future__ import annotations
+
+import argparse
+import json
+import re
+from pathlib import Path
+
+CRIT = {"K1", "K2", "K5", "K6", "K9"}
+
+
+def tolerant(text: str) -> dict:
+    m = re.search(r"\{.*\}", text, re.S)
+    if not m:
+        return {}
+    raw = m.group(0)
+    for extra in range(0, 4):
+        try:
+            v = json.loads(raw + "}" * extra)
+        except json.JSONDecodeError:
+            continue
+        if not isinstance(v, dict):
+            return {}
+        ver = v.get("verdicts")
+        if isinstance(ver, dict):
+            # поднять поля, случайно вложенные в verdicts
+            for key in ("catastrophic", "note"):
+                if key in ver and key not in v:
+                    v[key] = ver.pop(key)
+            v["verdicts"] = {k: x for k, x in ver.items()
+                             if k in CRIT and isinstance(x, dict) and "best" in x}
+        return v
+    return {}
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--judge-json", required=True, type=Path)
+    ap.add_argument("--raw-dir", required=True, type=Path)
+    ap.add_argument("--prefix", required=True, help="напр. gpt-5-mini_fwd")
+    ap.add_argument("--out", required=True, type=Path)
+    a = ap.parse_args()
+
+    d = json.loads(a.judge_json.read_text(encoding="utf-8"))
+    raw_by_id = {}
+    for p in sorted(a.raw_dir.glob(f"{a.prefix}_*.json")):
+        r = json.loads(p.read_text(encoding="utf-8"))
+        raw_by_id[r["id"]] = r["response"]
+
+    fixed = 0
+    for row in d["rows"]:
+        if row.get("verdicts"):
+            continue
+        v = tolerant(raw_by_id.get(row["id"], ""))
+        if v.get("verdicts"):
+            row["verdicts"] = v["verdicts"]
+            row["catastrophic"] = v.get("catastrophic", [])
+            row["note"] = v.get("note", "")
+            row["repaired"] = True
+            fixed += 1
+
+    a.out.write_text(json.dumps(d, ensure_ascii=False, indent=1), encoding="utf-8")
+    total = sum(1 for r in d["rows"] if r.get("verdicts"))
+    print(f"{a.judge_json.name}: восстановлено {fixed}; вердиктов {total}/{len(d['rows'])} → {a.out.name}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/score_b2.py

@@ -0,0 +1,253 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B′: подсчёт по пре-регистрации §0 (T · J · R) и вердикты по её порогам.
+
+Пороги названы ДО трат и здесь только ПРОВЕРЯЮТСЯ:
+  T1  `春秋蝉` и `Silversaint`: P5 (без правила транскрипции) против P2
+  T2  прокси «целиком несловарный dst»: |P5 − P2| ≥ 0.05 ⇒ эффект правила есть
+  T3  совпадение с подписью владельца: P5 ≥ 17/19 ⇒ снятие правила не ломает другое
+  C1  судья отбраковывается, если ДЕКОЙ назван лучшим по K1 более чем в 10% термов
+  C2  судья отбраковывается, если катастроф на GOLD ≥ чем на декое
+  C3  воспроизводит ли судья объективный слой: P0b в нижней трети по K1
+  R   межарменный разрыв P0b↔P1 против внутриармового разброса по трём повторам
+
+BWS при дедупликации: вариант получает +1/−1, и этот балл достаётся КАЖДОМУ арму-источнику
+варианта (одинаковые строки схлопнуты, значит и заслуга у них общая). Декой считается отдельной
+«армой» и в ранжирование арм не входит.
+"""
+from __future__ import annotations
+
+import argparse
+import collections
+import json
+import re
+import statistics
+from pathlib import Path
+
+CRITS = ["K1", "K2", "K5", "K6", "K9"]
+ARMS = ["P0b", "P0", "P1", "P2", "P3", "P4", "P5"]
+T2_MIN = 0.05
+T3_MIN = 17
+C1_MAX = 0.10
+STOP = {"и", "в", "на", "с", "из", "по", "о", "у", "за", "от", "для"}
+
+
+def norm(s: str | None) -> str:
+    return re.sub(r"\s+", " ", (s or "").strip().lower())
+
+
+def load_arms(paths: list[Path]) -> dict[str, dict[str, str]]:
+    by: dict[str, dict[str, str]] = {}
+    for p in paths:
+        for r in json.loads(p.read_text(encoding="utf-8"))["results"]:
+            if r.get("dst"):
+                by.setdefault(r["id"], {})[r["arm"]] = r["dst"].strip()
+    return by
+
+
+def nondict(dst: str, morph) -> bool:
+    ws = [w for w in re.findall(r"[А-Яа-яЁё-]+", dst or "") if w.lower() not in STOP]
+    return bool(ws) and all(not any(x.is_known for x in morph.parse(w)) for w in ws)
+
+
+def verdicts_of(row: dict) -> dict:
+    """Ключи критериев приводятся к коду: модель иногда отдаёт «K1 верность концепту» или «K1: …».
+
+    Это разбор, а не додумывание: код критерия берётся из начала ключа, содержимое не трогается.
+    Без нормализации терялись вердикты, которые модель прислала (урок `repair_judge.py` фазы B —
+    чинить разбор из сохранённого сырья, а не покупать повторные вызовы).
+    """
+    out = {}
+    for k, v in (row.get("verdicts") or {}).items():
+        m = re.match(r"\s*(K\d+)\b", str(k))
+        if m and isinstance(v, dict) and "best" in v:
+            out.setdefault(m.group(1), v)
+    return out
+
+
+def bws_dedup(rows: list[dict], crit: str) -> tuple[dict[str, float], int]:
+    plus, minus, seen = collections.Counter(), collections.Counter(), collections.Counter()
+    n = 0
+    for r in rows:
+        v = verdicts_of(r).get(crit)
+        if not isinstance(v, dict):
+            continue
+        l2s = r["letter2sources"]
+        n += 1
+        for srcs in l2s.values():
+            for s in srcs:
+                seen[s] += 1
+        for src in l2s.get(str(v.get("best")), []):
+            plus[src] += 1
+        for src in l2s.get(str(v.get("worst")), []):
+            minus[src] += 1
+    return {a: (plus[a] - minus[a]) / c for a, c in seen.items() if c}, n
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--termset", required=True, type=Path)
+    ap.add_argument("--arms", action="append", required=True, type=Path)
+    ap.add_argument("--judge", action="append", default=[], type=Path)
+    ap.add_argument("--repeat", action="append", default=[], type=Path,
+                    help="файлы повторных прогонов для замера R")
+    ap.add_argument("--out", required=True, type=Path)
+    a = ap.parse_args()
+
+    items = {i["id"]: i for i in json.loads(a.termset.read_text(encoding="utf-8"))}
+    by = load_arms(a.arms)
+    rep: dict = {}
+
+    # ---------- T: контрольный арм без правила транскрипции ---------------------------------
+    print("=== T. КОНТРОЛЬ ПРАВИЛА ТРАНСКРИПЦИИ (P5 = P2 минус одна строка) ===")
+    print("\n T1 качественно — термы, на которых строилась рекомендация Z-B3:")
+    t1 = {}
+    for tid, it in items.items():
+        if it["src"] in ("春秋蝉",) or "ilversaint" in it["src"]:
+            v = by.get(tid, {})
+            t1[it["src"]] = {k: v.get(k) for k in ("GOLD", "P2", "P5")}
+            t1[it["src"]]["GOLD"] = it.get("gold")
+            print(f"   {it['src']:14s} эталон={it.get('gold')!r}  P2={v.get('P2')!r}  P5={v.get('P5')!r}")
+
+    try:
+        import pymorphy3
+        morph = pymorphy3.MorphAnalyzer()
+    except Exception:
+        morph = None
+    t2 = {}
+    if morph:
+        per = collections.defaultdict(list)
+        for tid, v in by.items():
+            for arm, dst in v.items():
+                if arm in ARMS:
+                    per[arm].append(nondict(dst, morph))
+        t2 = {arm: sum(x) / len(x) for arm, x in per.items() if x}
+        d = t2.get("P2", 0) - t2.get("P5", 0)
+        print(f"\n T2 прокси «целиком несловарный dst» по всем термам: "
+              + " · ".join(f"{k} {t2[k]:.3f}" for k in ARMS if k in t2))
+        print(f"    P2 − P5 = {d:+.3f} (порог {T2_MIN}) → "
+              f"{'ЭФФЕКТ ЕСТЬ' if d >= T2_MIN else 'ЭФФЕКТА НЕТ'}")
+
+    gold_ids = [tid for tid, it in items.items() if it.get("gold")]
+    t3 = {}
+    for arm in ARMS:
+        hit = sum(1 for tid in gold_ids if norm(by.get(tid, {}).get(arm)) == norm(items[tid]["gold"]))
+        have = sum(1 for tid in gold_ids if by.get(tid, {}).get(arm))
+        if have:
+            t3[arm] = (hit, have)
+    print("\n T3 совпадение с подписью владельца: "
+          + " · ".join(f"{k} {v[0]}/{v[1]}" for k, v in t3.items()))
+    p5hit = t3.get("P5", (0, 0))[0]
+    print(f"    P5 = {p5hit}/19 (порог ≥{T3_MIN}) → {'НЕ ХУЖЕ' if p5hit >= T3_MIN else 'ХУЖЕ, снятие правила вредит'}")
+    rep["T"] = {"T1": t1, "T2": t2, "T3": {k: list(v) for k, v in t3.items()}}
+
+    # ---------- J: слепая оценка на починенном наборе -----------------------------------------
+    if a.judge:
+        print("\n=== J. СЛЕПАЯ ОЦЕНКА НА ПОЧИНЕННОМ НАБОРЕ ===")
+        rep["J"] = {}
+        for jf in a.judge:
+            rows = json.loads(jf.read_text(encoding="utf-8"))["rows"]
+            name = rows[0]["judge"] if rows else jf.stem
+            k1, n1 = bws_dedup(rows, "K1")
+            arms_only = {k: v for k, v in k1.items() if k in ARMS}
+            order = sorted(arms_only.items(), key=lambda x: -x[1])
+            spread = (order[0][1] - order[-1][1]) if order else 0
+            print(f"\n  судья {name}: термов с вердиктом {n1}")
+            print("   K1: " + " · ".join(f"{k} {v:+.3f}" for k, v in order)
+                  + f"   [DECOY {k1.get('DECOY', float('nan')):+.3f}] [GOLD {k1.get('GOLD', float('nan')):+.3f}]")
+            print(f"   разброс между армами: {spread:.3f} (в фазе B было 0.088 на семи одинаковых строках)")
+
+            # C1 — декой лучшим
+            dec_best = tot = 0
+            for r in rows:
+                v = verdicts_of(r).get("K1")
+                if not isinstance(v, dict):
+                    continue
+                if "DECOY" not in {s for ss in r["letter2sources"].values() for s in ss}:
+                    continue
+                tot += 1
+                if "DECOY" in r["letter2sources"].get(str(v.get("best")), []):
+                    dec_best += 1
+            c1 = dec_best / tot if tot else float("nan")
+            # C2 — катастрофы: декой против подписи
+            cat = collections.Counter()
+            for r in rows:
+                for L in r.get("catastrophic") or []:
+                    for s in r["letter2sources"].get(str(L), []):
+                        cat[s] += 1
+            # C3 — воспроизводит ли объективный слой
+            names = [k for k, _ in order]
+            c3 = names.index("P0b") >= len(names) - max(1, len(names) // 3) if "P0b" in names else False
+            print(f"   C1 декой назван ЛУЧШИМ: {dec_best}/{tot} = {c1:.3f} (порог ≤{C1_MAX}) → "
+                  f"{'ПРОШЁЛ' if c1 <= C1_MAX else 'ОТБРАКОВАН'}")
+            print(f"   C2 катастрофы: декой {cat.get('DECOY', 0)} против GOLD {cat.get('GOLD', 0)} → "
+                  f"{'ПРОШЁЛ' if cat.get('DECOY', 0) > cat.get('GOLD', 0) else 'ОТБРАКОВАН'}")
+            print(f"   C3 P0b в нижней трети по K1: {'ДА' if c3 else 'НЕТ'} (объективный слой: P0b худший)")
+            # C3-бис: ранговое согласие с объективным слоем целиком, а не по одному арму.
+            # Бинарный C3 отвечает «да/нет» про P0b и молчит о том, совпадает ли остальной порядок.
+            common = [x for x in ARMS if x in arms_only and x in t3]
+            if len(common) >= 3:
+                jr = {a: k for k, a in enumerate(sorted(common, key=lambda x: -arms_only[x]))}
+                orr = {a: k for k, a in enumerate(sorted(common, key=lambda x: -t3[x][0]))}
+                n = len(common)
+                d2 = sum((jr[a] - orr[a]) ** 2 for a in common)
+                rho = 1 - 6 * d2 / (n * (n * n - 1))
+                print(f"   C3-бис ранговая корреляция с объективным слоем (Спирмен): ρ = {rho:+.3f} "
+                      f"на {n} армах; судья: {sorted(common, key=lambda x: -arms_only[x])}; "
+                      f"объективно: {sorted(common, key=lambda x: -t3[x][0])}")
+            rep["J"][name] = {"k1": k1, "spread": spread, "C1": c1, "C1_n": tot,
+                              "cat": dict(cat), "C3": bool(c3),
+                              "pass": bool(c1 <= C1_MAX and cat.get("DECOY", 0) > cat.get("GOLD", 0))}
+
+        # H7 — грубая ошибка против тонкой разницы
+        for name, d in rep["J"].items():
+            arms_only = {k: v for k, v in d["k1"].items() if k in ARMS}
+            if arms_only and "DECOY" in d["k1"]:
+                gap_arms = max(arms_only.values()) - min(arms_only.values())
+                gap_dec = statistics.median(arms_only.values()) - d["k1"]["DECOY"]
+                print(f"\n  H7 [{name}]: разрыв «медиана армов − декой» = {gap_dec:+.3f}; "
+                      f"разрыв «лучший − худший арм» = {gap_arms:.3f} → "
+                      f"{'подтверждается' if gap_dec > gap_arms else 'не подтверждается'}")
+
+    # ---------- R: разброс прогона -------------------------------------------------------------
+    if a.repeat:
+        print("\n=== R. РАЗБРОС ПРОГОНА (три повтора) ===")
+        runs = collections.defaultdict(list)
+        for f in a.repeat:
+            b = load_arms([f])
+            for arm in ("P0b", "P1", "P2"):
+                hit = sum(1 for tid in gold_ids if norm(b.get(tid, {}).get(arm)) == norm(items[tid]["gold"]))
+                have = sum(1 for tid in gold_ids if b.get(tid, {}).get(arm))
+                if have:
+                    runs[arm].append(hit)
+        for arm, xs in runs.items():
+            print(f"   {arm:4s} повторы {xs} из 19 → медиана {statistics.median(xs):.1f}, "
+                  f"размах {max(xs)-min(xs)}")
+        if "P0b" in runs and "P1" in runs:
+            gap = statistics.median(runs["P1"]) - statistics.median(runs["P0b"])
+            spread = max(max(runs["P0b"]) - min(runs["P0b"]), max(runs["P1"]) - min(runs["P1"]))
+            print(f"   разрыв P0b↔P1 = {gap:.1f} терма; внутриармовый размах = {spread} терма → "
+                  f"{'ВЫВОД УСТОЯЛ' if gap > spread else 'ВЫВОД НЕ УСТАНОВЛЕН'}")
+            rep["R"] = {"runs": dict(runs), "gap": gap, "spread": spread, "holds": bool(gap > spread)}
+
+    # ---------- H6 -------------------------------------------------------------------------------
+    deg = collections.Counter()
+    tot = collections.Counter()
+    for tid, v in by.items():
+        s = items[tid]["sample"]
+        tot[s] += 1
+        cands = {norm(x) for x in v.values()}
+        if items[tid].get("gold"):
+            cands.add(norm(items[tid]["gold"]))
+        if len(cands) == 1:
+            deg[s] += 1
+    print("\n=== H6. доля вырожденных термов по выборкам ===")
+    for s in sorted(tot):
+        print(f"   {s}: {deg[s]}/{tot[s]} = {deg[s]/tot[s]:.2f}")
+    rep["H6"] = {s: [deg[s], tot[s]] for s in tot}
+
+    a.out.write_text(json.dumps(rep, ensure_ascii=False, indent=1), encoding="utf-8")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/score_bws.py

@@ -0,0 +1,185 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B: агрегация Best-Worst Scaling и ВЕРДИКТЫ F1–F4.
+
+Счёт BWS (стандартный): по каждому критерию лучший вариант +1, худший −1; сумма по термам,
+нормировка на число термов. Ноль означает «выбирают не чаще и не реже прочих».
+
+Критерии провала названы ДО трат (§A5.6) и здесь только ПРОВЕРЯЮТСЯ, а не переформулируются:
+  F1  P0b (без контекстов) неотличим от P1  ⇒ контексты не работают
+  F1b P0 (СЛУЧАЙНЫЙ глоссарий) неотличим от P2 ⇒ прирост даёт факт подсказки, а не её правильность
+  F2  ни один арм не бьёт подписанный владельцем dst хотя бы вничью по K1 ⇒ роль не готова к авто
+  F3  арм проваливает ловушку S5 чаще, чем в 1 случае из 5 ⇒ авто-режим опасен
+  F4  согласие судей по K1 ниже порога ИЛИ leave-one-out по судье меняет победителя ⇒ мерить нечем
+
+«Неотличим» операционализирован ДО просмотра данных: |ΔBWS| < 0.10 по K1 на общей выборке.
+"""
+from __future__ import annotations
+
+import argparse
+import itertools
+import json
+from collections import defaultdict
+from pathlib import Path
+
+CRITS = ["K1", "K2", "K5", "K6", "K9"]
+INDIST = 0.10          # порог «неотличимости» по BWS
+ALPHA_FLOOR = 0.60     # порог согласия (F4)
+
+
+def load_rows(paths: list[Path]) -> list[dict]:
+    rows = []
+    for p in paths:
+        rows.extend(json.loads(p.read_text(encoding="utf-8"))["rows"])
+    return rows
+
+
+def bws(rows: list[dict], crit: str, samples: set[str] | None = None,
+        judges: set[str] | None = None) -> dict[str, float]:
+    plus, minus, seen = defaultdict(int), defaultdict(int), defaultdict(int)
+    for r in rows:
+        if samples and r["sample"] not in samples:
+            continue
+        if judges and r["judge"] not in judges:
+            continue
+        v = (r.get("verdicts") or {}).get(crit)
+        if not isinstance(v, dict):
+            continue
+        l2a = r["letter2arm"]
+        for arm in l2a.values():
+            seen[arm] += 1
+        b, w = l2a.get(str(v.get("best"))), l2a.get(str(v.get("worst")))
+        if b:
+            plus[b] += 1
+        if w:
+            minus[w] += 1
+    return {a: (plus[a] - minus[a]) / n for a, n in seen.items() if n}
+
+
+def agreement_k1(rows: list[dict]) -> tuple[float, int]:
+    """Доля совпадений выбора ЛУЧШЕГО по K1 между парами вердиктов на один терм.
+
+    Считаем простое попарное согласие по номинальной категории (какой АРМ признан лучшим):
+    оно интерпретируемо и не требует допущений, которых мы не проверяли. Krippendorff α по
+    номинальной шкале на двух оценщиках вырождается в ту же величину с поправкой на случайность,
+    поэтому рядом печатается и она.
+    """
+    by_term = defaultdict(list)
+    for r in rows:
+        v = (r.get("verdicts") or {}).get("K1")
+        if isinstance(v, dict):
+            arm = r["letter2arm"].get(str(v.get("best")))
+            if arm:
+                by_term[r["id"]].append(arm)
+    agree = tot = 0
+    counts = defaultdict(int)
+    for _, arms in by_term.items():
+        for x, y in itertools.combinations(arms, 2):
+            tot += 1
+            agree += int(x == y)
+        for x in arms:
+            counts[x] += 1
+    n = sum(counts.values())
+    pe = sum((c / n) ** 2 for c in counts.values()) if n else 0
+    po = agree / tot if tot else 0
+    kappa = (po - pe) / (1 - pe) if tot and pe < 1 else float("nan")
+    return po, tot, kappa
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--judge", action="append", required=True, type=Path)
+    ap.add_argument("--termset", required=True, type=Path)
+    ap.add_argument("--out", required=True, type=Path)
+    a = ap.parse_args()
+
+    rows = load_rows(a.judge)
+    items = {i["id"]: i for i in json.loads(a.termset.read_text(encoding="utf-8"))}
+    fwd = [r for r in rows if not r.get("reverse")]
+    judges = sorted({r["judge"] for r in rows})
+
+    report: dict = {"n_verdict_rows": len(rows), "judges": judges}
+
+    print("=== BWS по критериям (все выборки, прямой порядок) ===")
+    table = {}
+    for c in CRITS:
+        s = bws(fwd, c)
+        table[c] = s
+        print(f"  {c}: " + "  ".join(f"{k}={v:+.3f}" for k, v in sorted(s.items(), key=lambda x: -x[1])))
+    report["bws"] = table
+
+    print("\n=== BWS по K1 в разрезе выборок ===")
+    per_sample = {}
+    for s in sorted({r["sample"] for r in fwd}):
+        d = bws(fwd, "K1", samples={s})
+        per_sample[s] = d
+        print(f"  {s}: " + "  ".join(f"{k}={v:+.3f}" for k, v in sorted(d.items(), key=lambda x: -x[1])))
+    report["bws_k1_by_sample"] = per_sample
+
+    k1 = table["K1"]
+    # --- F1 / F1b ---------------------------------------------------------------------------
+    d1 = abs(k1.get("P1", 0) - k1.get("P0b", 0))
+    d1b = abs(k1.get("P2", 0) - k1.get("P0", 0))
+    f1 = d1 < INDIST
+    f1b = d1b < INDIST
+
+    # --- F2: бьёт ли лучший арм подпись владельца (только термы, где GOLD участвовал) --------
+    gold_ids = {i for i, it in items.items() if it.get("gold")}
+    gold_rows = [r for r in fwd if r["id"] in gold_ids and "GOLD" in r["letter2arm"].values()]
+    k1g = bws(gold_rows, "K1")
+    best_arm = max((x for x in k1g.items() if x[0] != "GOLD"), key=lambda x: x[1], default=("—", -9))
+    f2 = best_arm[1] < k1g.get("GOLD", 0)
+
+    # --- F3: ловушка S5 — арм назван катастрофой или проиграл GOLD -----------------------------
+    s5 = [r for r in fwd if r["sample"] == "S5"]
+    cat = defaultdict(int)
+    for r in s5:
+        for L in r.get("catastrophic") or []:
+            arm = r["letter2arm"].get(str(L))
+            if arm:
+                cat[arm] += 1
+    n_s5 = len({r["id"] for r in s5})
+    f3 = any(v > 1 for v in cat.values())
+
+    # --- F4: согласие + leave-one-out по судье --------------------------------------------------
+    po, npairs, kappa = agreement_k1(fwd)
+    loo_winners = {}
+    for j in judges:
+        rest = [r for r in fwd if r["judge"] != j]
+        if rest:
+            d = bws(rest, "K1")
+            loo_winners[j] = max(d.items(), key=lambda x: x[1])[0] if d else None
+    overall_winner = max(k1.items(), key=lambda x: x[1])[0] if k1 else None
+    loo_flip = any(w != overall_winner for w in loo_winners.values() if w)
+    f4 = (kappa == kappa and kappa < ALPHA_FLOOR) or loo_flip
+
+    # --- своп ------------------------------------------------------------------------------------
+    rev = [r for r in rows if r.get("reverse")]
+    swap = {}
+    if rev:
+        kf, kr = bws(fwd, "K1"), bws(rev, "K1")
+        swap = {a: round(kr.get(a, 0) - kf.get(a, 0), 3) for a in set(kf) | set(kr)}
+
+    print("\n=== ВЕРДИКТЫ КРИТЕРИЕВ ПРОВАЛА (пороги назывались до трат) ===")
+    print(f"  F1  P0b vs P1 по K1: Δ={d1:.3f} (порог {INDIST}) → {'ПРОВАЛ' if f1 else 'НЕ провал'}")
+    print(f"  F1b P0  vs P2 по K1: Δ={d1b:.3f} (порог {INDIST}) → {'ПРОВАЛ' if f1b else 'НЕ провал'}")
+    print(f"  F2  лучший арм {best_arm[0]}={best_arm[1]:+.3f} против GOLD={k1g.get('GOLD', float('nan')):+.3f} "
+          f"→ {'ПРОВАЛ' if f2 else 'НЕ провал'}")
+    print(f"  F3  катастрофы на S5 ({n_s5} термов): {dict(cat) or 'нет'} → {'ПРОВАЛ' if f3 else 'НЕ провал'}")
+    print(f"  F4  согласие по K1: po={po:.3f}, κ={kappa:.3f} на {npairs} парах; "
+          f"leave-one-out победитель {loo_winners} при общем {overall_winner} → {'ПРОВАЛ' if f4 else 'НЕ провал'}")
+    if swap:
+        print(f"  своп (обратный порядок − прямой) по K1: {swap}")
+
+    report.update({"F1": {"delta": d1, "fail": f1}, "F1b": {"delta": d1b, "fail": f1b},
+                   "F2": {"best_arm": best_arm[0], "best": best_arm[1],
+                          "gold": k1g.get("GOLD"), "fail": f2, "n_terms": len({r['id'] for r in gold_rows})},
+                   "F3": {"catastrophic": dict(cat), "n_terms": n_s5, "fail": f3},
+                   "F4": {"po": po, "kappa": kappa, "pairs": npairs,
+                          "loo": loo_winners, "winner": overall_winner, "fail": f4},
+                   "swap_effect_k1": swap})
+    a.out.write_text(json.dumps(report, ensure_ascii=False, indent=1), encoding="utf-8")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

eval/pkg7/terminologist_arms.py

@@ -0,0 +1,278 @@
+#!/usr/bin/env python3
+"""Полигон, пакет-7, фаза B: прогон армов промпта ТЕРМИНОЛОГА по пре-регистрации §A5.
+
+Шесть армов (пре-регистрация A5.2, после старта НЕ правится):
+  P0b  голый src, без контекстов                     — контроль «работают ли контексты вообще»
+  P0   P2, но жанровый словарь ПОДМЕНЁН случайным    — контроль WMT23 «правильная ≈ случайная»
+  P1   src + KWIC + пары черновика                   — базовая линия
+  P2   P1 + жанровый словарь + Палладий + лемма      — вклад ПАР-ДАННЫХ (гипотеза H1)
+  P3   P2 + рубрика §A2 в промпте + самооценка       — вклад явной рубрики
+  P4   P2 + офлайн-снапшот справки (БКРС из Z4)      — вклад веб-справки (ответ D39.42 п.2)
+
+Дисциплина денег: цены из `backend/configs/models.yaml` (read-only), расход считается из
+ФАКТИЧЕСКОГО `usage` каждого ответа, сырьё сохраняется целиком (правило 1 полигона). Батчинг по 10
+термов на вызов — так работает ратифицированная роль (D39.42 «батчи, дешёвая модель»), и он
+объявлен ДО трат; единица учёта остаётся «терм × арм».
+
+Квирки соблюдены (00-provider-quirks): deepseek-v4-flash — thinking ВКЛЮЧЁН (эхо-мина при выкл.),
+`max_tokens` ≥ 8000, temperature/top_p в thinking-режиме НЕ шлём (молча игнорируются).
+"""
+from __future__ import annotations
+
+import argparse
+import json
+import os
+import random
+import re
+import sys
+import time
+from pathlib import Path
+
+import yaml
+from dotenv import load_dotenv
+from openai import OpenAI
+
+REPO = Path(__file__).resolve().parents[2]
+load_dotenv(REPO / "eval" / ".env")
+
+ARMS = ["P0b", "P0", "P1", "P2", "P3", "P4"]
+
+# Фаза B′ (добавлено 26.07 ПОСЛЕ ревизии §B6; фаза B не пере-прогонялась, её сырьё нетронуто).
+# P5 = P2 минус ОДНА строка правила транскрипции. Контрольного арма без этого правила в фазе B не
+# было: правило лежит в BASE_TASK, то есть во всех шести армах сразу — и «эффект правила» измерить
+# было нечем. Строка вырезается из готового BASE_TASK программно, чтобы остальной промпт совпадал
+# с P2 побайтно, а не «на глаз».
+ARMS_B2 = ["P5"]
+
+BASE_TASK = """Ты ТЕРМИНОЛОГ художественного перевода. Тебе дают термины исходного текста книги.
+Для КАЖДОГО термина выбери ОДНО консолидированное соответствие на русском языке, которое будет
+использоваться во всей книге единообразно.
+
+Требования к ответу:
+- отвечай СТРОГО одним JSON-массивом, без пояснений вне JSON;
+- элемент: {"src": "<исходный термин ровно как дан>", "dst": "<русское соответствие>", "type": "name|place|title|term", "why": "<до 20 слов>"}
+- dst даёшь в ИСХОДНОЙ СЛОВАРНОЙ ФОРМЕ (лемма), без падежных окончаний по контексту;
+- если термин — имя собственное, передавай его транскрипцией, а не переводом смысла;
+- ничего не пропускай: элементов должно быть столько же, сколько терминов на входе."""
+
+PN_RULE_LINE = "- если термин — имя собственное, передавай его транскрипцией, а не переводом смысла;\n"
+BASE_TASK_NO_PN = BASE_TASK.replace(PN_RULE_LINE, "")
+assert BASE_TASK_NO_PN != BASE_TASK, "строка правила транскрипции не найдена — контроль P5 был бы фикцией"
+
+PALLADIUS_RULES = """Правила транскрипции для пары zh→ru (система Палладия, общепринятая норма):
+- пиньинь -ng → русское -н; пиньинь -n → русское -нь (Shanghai → Шанхай, Shaolin → Шаолинь);
+- zh → «чж» (не «дж»): Zhang → Чжан;
+- hui → «хуэй», gui → «гуй», ü → «юй»;
+- j/q/x + i → «цзи»/«ци»/«си»."""
+
+LEMMA_RULE = """Русский — язык с богатой морфологией. dst обязан быть склоняемым и морфологически
+пригодным: у него должен быть устойчивый род и нормальная парадигма. Неизменяемую кальку выбирай
+только если склоняемого варианта не существует."""
+
+RUBRIC = """Оценивай свой выбор по критериям и коротко отчитайся по ним в поле "why":
+K1 верность концепту (то ли это понятие) · K2 жанровая конвенция · K3 транскрипционная норма ·
+K5 морфологическая пригодность (склоняемость, род) · K6 благозвучие · K9 уместность регистра
+(академический термин не подставлять в жанровый текст). Порог: все критерии должны быть не ниже
+«приемлемо»; при конфликте K1 важнее K6."""
+
+
+def load_prices(models_yaml: Path) -> dict:
+    doc = yaml.safe_load(models_yaml.read_text(encoding="utf-8")) or {}
+    out = {}
+    for name, m in (doc.get("models") or {}).items():
+        p = m.get("price") or {}
+        out[name] = (float(p.get("input_per_m", 0)), float(p.get("output_per_m", 0)),
+                     float(p.get("cached_per_m", 0)))
+    return out
+
+
+def load_genre_glossary(path: Path) -> list[tuple[str, str]]:
+    rows = []
+    if not path.exists():
+        return rows
+    for line in path.read_text(encoding="utf-8").splitlines():
+        line = line.strip()
+        if not line or line.startswith("#"):
+            continue
+        f = line.split("\t")
+        if len(f) >= 2:
+            rows.append((f[0], f[1]))
+    return rows
+
+
+def scramble(rows: list[tuple[str, str]], seed: int) -> list[tuple[str, str]]:
+    """Случайный глоссарий: те же src, но dst переставлены. Ровно контроль WMT23."""
+    rnd = random.Random(seed)
+    dst = [d for _, d in rows]
+    rnd.shuffle(dst)
+    return [(s, d) for (s, _), d in zip(rows, dst)]
+
+
+def fmt_glossary(rows: list[tuple[str, str]]) -> str:
+    if not rows:
+        return ""
+    body = "\n".join(f"{s}\t{d}" for s, d in rows)
+    return f"Жанровый словарь пары (устоявшиеся соответствия жанра):\n{body}"
+
+
+def like_p2(arm: str) -> bool:
+    """P5 — это P2 во всём, кроме вырезанной строки правила транскрипции."""
+    return arm in ("P2", "P5")
+
+
+def fmt_item(it: dict, arm: str, ref: dict) -> str:
+    parts = [f'ТЕРМИН: {it["src"]}   (встречается в книге {it["occurrences"]} раз)']
+    if arm == "P0b":
+        return parts[0]
+    for k in it["kwic"][:6]:
+        parts.append(f'  контекст: …{k["win"]}…')
+    for p in it["pairs"][:3]:
+        parts.append(f'  черновик перевода этого места: …{p["draft_win"]}…')
+    if arm == "P4":
+        e = ref.get(it["src"])
+        if e:
+            parts.append(f'  словарная справка (БКРС): {e[:400]}')
+    return "\n".join(parts)
+
+
+def build_prompt(items: list[dict], arm: str, gloss: list[tuple[str, str]],
+                 gloss_random: list[tuple[str, str]], ref: dict) -> str:
+    blocks = [BASE_TASK_NO_PN if arm == "P5" else BASE_TASK]
+    if arm in ("P2", "P3", "P4", "P5"):
+        g = fmt_glossary(gloss)
+        if g:
+            blocks.append(g)
+        blocks.append(PALLADIUS_RULES)
+        blocks.append(LEMMA_RULE)
+    if arm == "P0":
+        g = fmt_glossary(gloss_random)
+        if g:
+            blocks.append(g)
+        blocks.append(PALLADIUS_RULES)
+        blocks.append(LEMMA_RULE)
+    if arm == "P3":
+        blocks.append(RUBRIC)
+    if arm == "P4":
+        blocks.append("К части терминов приложена СЛОВАРНАЯ СПРАВКА из китайско-русского словаря. "
+                      "Она описывает общеязыковое значение; жанровое употребление может отличаться — "
+                      "используй её как улику, а не как приказ.")
+    blocks.append("ТЕРМИНЫ:\n\n" + "\n\n".join(fmt_item(i, arm, ref) for i in items))
+    return "\n\n".join(blocks)
+
+
+def parse_json_array(text: str) -> list[dict]:
+    m = re.search(r"\[.*\]", text, re.S)
+    if not m:
+        return []
+    try:
+        v = json.loads(m.group(0))
+        return v if isinstance(v, list) else []
+    except json.JSONDecodeError:
+        return []
+
+
+def main() -> int:
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--termset", required=True, type=Path)
+    ap.add_argument("--out", required=True, type=Path)
+    ap.add_argument("--raw-dir", required=True, type=Path)
+    ap.add_argument("--model", default="deepseek-v4-flash")
+    ap.add_argument("--base-url", default="https://api.deepseek.com/v1")
+    ap.add_argument("--key-env", default="DEEPSEEK_API_KEY")
+    ap.add_argument("--genre-glossary", type=Path,
+                    default=REPO / "backend/configs/langpacks/zh-ru/genre-glossary.txt")
+    ap.add_argument("--bkrs", type=Path, help="JSON справок БКРС для арма P4")
+    ap.add_argument("--batch", type=int, default=10)
+    ap.add_argument("--max-tokens", type=int, default=8000)
+    ap.add_argument("--arms", default=",".join(ARMS))
+    ap.add_argument("--dry-run", action="store_true", help="сметa без единого вызова")
+    a = ap.parse_args()
+
+    items = json.loads(a.termset.read_text(encoding="utf-8"))
+    gloss = load_genre_glossary(a.genre_glossary)
+    gloss_rand = scramble(gloss, seed=20260726)
+    ref = {}
+    if a.bkrs and a.bkrs.exists():
+        for r in json.loads(a.bkrs.read_text(encoding="utf-8")):
+            if r.get("found"):
+                ref[r["src"]] = re.sub(r"^-->\s*", "", r["entry"]).strip()
+
+    prices = load_prices(REPO / "backend/configs/models.yaml")
+    pin, pout, _ = prices.get(a.model, (0.0, 0.0, 0.0))
+    arms = [x for x in a.arms.split(",") if x]
+
+    # батчи формируются ПО ВЫБОРКЕ, чтобы книга не смешивалась с книгой
+    batches = []
+    for sample in sorted({i["sample"] for i in items}):
+        xs = [i for i in items if i["sample"] == sample]
+        for k in range(0, len(xs), a.batch):
+            batches.append((sample, xs[k:k + a.batch]))
+
+    plan = [(arm, s, b) for arm in arms for (s, b) in batches]
+    est_in = sum(len(build_prompt(b, arm, gloss, gloss_rand, ref)) for arm, _, b in plan) / 3.2
+    est_out = len(plan) * 2500
+    print(f"ПЛАН: армов {len(arms)} × батчей {len(batches)} = {len(plan)} вызовов; "
+          f"термов×армов = {len(items) * len(arms)}")
+    print(f"СМЕТА ДО ВЫЗОВОВ: вход ≈{est_in/1000:.1f}k ток → ${est_in/1e6*pin:.4f}; "
+          f"выход ≈{est_out/1000:.1f}k ток → ${est_out/1e6*pout:.4f}; "
+          f"ИТОГО ≈ ${est_in/1e6*pin + est_out/1e6*pout:.4f}")
+    if a.dry_run:
+        return 0
+
+    key = os.environ.get(a.key_env)
+    if not key:
+        print(f"нет ключа {a.key_env}", file=sys.stderr)
+        return 2
+    client = OpenAI(api_key=key, base_url=a.base_url)
+    a.raw_dir.mkdir(parents=True, exist_ok=True)
+
+    results, ledger = [], []
+    for n, (arm, sample, batch) in enumerate(plan, 1):
+        prompt = build_prompt(batch, arm, gloss, gloss_rand, ref)
+        t0 = time.time()
+        try:
+            resp = client.chat.completions.create(
+                model=a.model,
+                messages=[{"role": "user", "content": prompt}],
+                max_tokens=a.max_tokens,   # thinking ⊆ completion, floor 8000 по квиркам
+            )
+        except Exception as e:
+            print(f"[{n}/{len(plan)}] {arm}/{sample} ОШИБКА: {e}", file=sys.stderr)
+            ledger.append({"arm": arm, "sample": sample, "error": str(e)})
+            continue
+        dt = time.time() - t0
+        txt = resp.choices[0].message.content or ""
+        u = resp.usage
+        cin = getattr(u, "prompt_tokens", 0)
+        cout = getattr(u, "completion_tokens", 0)
+        cached = getattr(getattr(u, "prompt_tokens_details", None), "cached_tokens", 0) or 0
+        usd = (cin - cached) / 1e6 * pin + cached / 1e6 * prices.get(a.model, (0, 0, 0))[2] + cout / 1e6 * pout
+        (a.raw_dir / f"{arm}_{sample}_{n:03d}.json").write_text(
+            json.dumps({"arm": arm, "sample": sample, "prompt": prompt, "response": txt,
+                        "finish": resp.choices[0].finish_reason,
+                        "usage": {"in": cin, "out": cout, "cached": cached}},
+                       ensure_ascii=False, indent=1), encoding="utf-8")
+        parsed = parse_json_array(txt)
+        by_src = {str(x.get("src", "")): x for x in parsed if isinstance(x, dict)}
+        for it in batch:
+            got = by_src.get(it["src"])
+            results.append({"id": it["id"], "sample": sample, "src": it["src"], "arm": arm,
+                            "dst": (got or {}).get("dst"), "type": (got or {}).get("type"),
+                            "why": (got or {}).get("why"), "gold": it.get("gold")})
+        ledger.append({"arm": arm, "sample": sample, "in": cin, "out": cout, "cached": cached,
+                       "usd": usd, "sec": round(dt, 1), "finish": resp.choices[0].finish_reason,
+                       "parsed": len(parsed), "expected": len(batch)})
+        print(f"[{n}/{len(plan)}] {arm}/{sample} in={cin} out={cout} ${usd:.5f} "
+              f"{dt:.0f}s parsed={len(parsed)}/{len(batch)} finish={resp.choices[0].finish_reason}")
+
+    a.out.write_text(json.dumps({"results": results, "ledger": ledger},
+                                ensure_ascii=False, indent=1), encoding="utf-8")
+    total = sum(x.get("usd", 0) for x in ledger)
+    miss = sum(1 for r in results if not r["dst"])
+    print(f"\nИТОГО ПОТРАЧЕНО: ${total:.5f} за {len(ledger)} вызовов; "
+          f"консолидаций {len(results)}, из них пустых {miss}")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())