diff --git a/docs/PROGRESS.md b/docs/PROGRESS.md index 94f2f520..663a7ebd 100644 --- a/docs/PROGRESS.md +++ b/docs/PROGRESS.md @@ -621,6 +621,8 @@ * ⭐⭐ **30.08, Д47 ЗАПУЩЕН ПО САНКЦИИ ВЛАДЕЛЬЦА И ОСТАНОВЛЕН ГАРДОМ ПОСЛЕ ПЕРВОЙ ПАРЫ — А КУПЛЕННОЕ ОКАЗАЛОСЬ ЦЕННЕЕ ЭНДПОЙНТА (Д47.6).** Списано **$0.134804**, ФД-N 3.187585 из 3.30, потолок НЕ поднимался. **Побайтно один промт, одна глава `b065a92dc0`, `reasoning_effort` не слался НИ РАЗУ: 21.08 модель думала 466 токенов, 30.08 — 17 757. ×38.** ⚠⚠ **ПОПРАВЛЕНО В ТОТ ЖЕ ДЕНЬ ПО ВОПРОСУ ВЛАДЕЛЬЦА (Д47.7): подавать ×38 как ЗАМЕРЕННЫЙ СДВИГ ВО ВРЕМЕНИ было нельзя** — это разность двух ОДИНОЧНЫХ розыгрышей у модели с большим разбросом. По лучшей имеющейся оценке (sd логарифма 0.82 ⇒ одно sd = ×2.3, шесть групп «тот же тег, разные розыгрыши», 18 вызовов, судейская роль) ×38 — это ≈3.1 sd: **редко, но возможно ⇒ причина НЕ УСТАНОВЛЕНА**, обе гипотезы живы, а чистых повторов одного промта на роли `onepass` в корпусе НЕТ ни одного. ⛔ **И первый заход к этой оценке был бы десятой ошибкой дня:** я сгруппировал вызовы по «модель·глава·роль», получил 100 групп и «разброс ×11» — а группы смешивают армы `RN`/`RC`/`RB` с РАЗНЫМИ промтами (на `27cb3a7e69`: 7 061 · 498 · 18 043), то есть мерили разницу инструкций, а не розыгрыша. ⇒ **Устояло то, что важнее причины: сравнивать одиночные розыгрыши нельзя ни при какой гипотезе — это осуждает и дизайн А, и МОЙ дизайн Д.** ⭐ Побочно Клейм 1 подтверждён на БОЕВОМ промте: `prompt_tokens` = **3256 и 21.08, и 30.08** (через девять дней и смену сервинга), а `low` двигает их ровно на **−79**; гейт провенанса пройден (Δpt=79, кириллица 1.000, латиница 0). **Эндпойнт по правилу: внутри блока ручка дала ×1.40** (меньше ×2.52, полученных через девять дней — конфаунд эффект РАЗДУВАЛ), годных пар 1 из 8, знаковый тест p=1.0 ⇒ ⛔ **«НЕ УСТАНОВЛЕНО»**, добор глав после чисел запрещён. Носитель — `eval/dovodka/stupen.py`, написан ДО прихода клеток, селфтест стережёт, что порог достижим только единогласием. ⛔ **Смета ошиблась на порядок, и это моя восьмая ошибка того же класса:** $0.078–0.133 объявлялись ценой ВОСЬМИ пар, одна пара стоила $0.1348 — **я оценил опыт по той самой базе, нестабильность которой опыт и должен был показать**. ⭐ **Цена ответов теперь СЧИТАЕТСЯ, а не угадывается (Д47.8):** при sd логарифма 0.82 парный дизайн ловит эффект ×2.5 за 13 пар (≈$1.1), ×2.0 за 22 (≈$1.8), ×1.4 за 93 (≈$7.6); отдельный дешёвый вопрос «модель сдвинулась или это кости» — четыре повтора без ручки на той же главе, **≈$0.31**. ⛔ **Но приоритет не здесь:** ручка даёт ×1.4–2.5, а рядом стоит рычаг ×7–11 — смена модели на `gpt-5.6-luna` (поглавно медиана ×7.1, по сумме ×11.4) — и он упирается НЕ в деньги, а в кап агент-сессий (нужно 16, свободно 14). Тратить доллары на ручку прежде, чем порядковый рычаг прочитан по КАЧЕСТВУ, — плохая экономика. ⚠ Операционное для чужих циклов: отказ гарда возвращает код 1, но в ФОНОВОМ shell `set -e` цикл не остановил — семь итераций вхолостую, $0. +* ⭐⭐ **30.08, ПАНЕЛЬ `luna1` ПРОЧИТАНА ВСЛЕПУЮ ПО САНКЦИИ ВЛАДЕЛЬЦА («Да, давай подниму кап»), $0 (Д48).** Кап 200 → 215, израсходовано 201. Читались ЧЕТЫРЕ арма на 15 главах (16-я выпала: клетка `RN` не прошла гейт годности, пропуск напечатан): однопроходка на `deepseek-v4-pro` · **та же однопроходка на `gpt-5.6-luna`** · боевая связка · **её вторая генерация как собственный шум прибора**. ⛔ **Сначала поправка к моему же предложению:** развилка владельца от 17.08 — про ЧЕРНОВУЮ роль, а её приз пере-считан в Д42.1 как **6%, а не разы** (редактор съедает 85% связки) ⇒ читать «луну как черновик» значило бы потратить кап на шестипроцентный рычаг; читался порядковый (×7–11). **Результат: средние места `Z0` 2.33 · `ZF` 2.33 · `RN` 2.53 · `RL` 2.80; близнецы расходятся на +0.00 при пороге 1.06 (прибор без смещения), якорь↔`RN` +0.20 при пороге 1.30 (p=0.79), якорь↔`RL` +0.47 при пороге 1.26 (p=0.58), очно `RL` против `Z0` — 6:9.** ⇒ ⭐ **дешёвая луна НЕ ОТЛИЧИМА по качеству ни от дорогого дипсика, ни от связки.** ⚠ Но: разрешение прибора грубое — два прогона ОДНОГО конвейера расходятся на **1.33 места из 4**, то есть разрыв луны это треть собственного шума; направление, хоть и незначимое, **против** луны; панель не трогает банк/консистентность на всю книгу, цензур-ось жанра и перенос на zh. ⛔ **Это ПЕРВЫЙ круг, вердикта ещё нет — правило конъюнкции требует повтора.** Дисциплина: ключ закоммичен ДО ответов, обёртка — замороженный `15cfac60`, модель читателей сверена ИСПОЛНЕНИЕМ (во всех 15 транскриптах `claude-fable-5`). ⛔ **Второй круг упирается в ОДНУ сессию — моя арифметическая ошибка при подъёме капа** (осталось 14, нужно 15); резать панель до 14 глав решением сессии запрещено. + **📌 ПИНГ ПОЛИГОНУ от оркестратора №19 (28.08, D39.164) — вендор-вердикт по Gemini для `docs/experiments/00-provider-quirks.md`.** Материал добыт бэкенд-сессией (curl по вендор-доке, не пересказ), но файл — ВАША зона, поэтому вписываете вы, а не я. Строка 157 сегодня несёт три утверждения сильнее, чем даёт источник: diff --git a/docs/experiments/23-editor-tier.md b/docs/experiments/23-editor-tier.md index d8ac5e08..66d466ed 100644 --- a/docs/experiments/23-editor-tier.md +++ b/docs/experiments/23-editor-tier.md @@ -11,6 +11,7 @@ > | **что корпус знал, а фаза Д не использовала** (⚠ правит Д38 и Д41) | **Д42** | > | ⛔ **реестр потерянного: что фаза запланировала и растеряла между планами** | **Д43** | > | ручка размышления у `deepseek-v4-pro`: доходит ли · ⛔ почему замер её величины не куплен | **Д46** | +> | ⭐ **качество дешёвой `luna` против дорогого дипсика и против боевой связки** (слепое чтение) | **Д48** | > | статус метавопроса «консистентность на всю книгу» и цена его закрытия | **Д38.3**, **Д38.6** | > | что закрыто и что осталось по плану 22.08 | **Д38.4** | > | вес всего ролевого промта в единицах прибора | **Д36** | @@ -5216,7 +5217,7 @@ fable-5: медиана ρ +0.52 · среднее +0.55 · глав согла из сырья больше НЕ ВЫВОДИМА ничем. ⇒ **R71 объявляется НЕ ПЕРЕ-СНИМАЕМЫМ на этой машине.** Гейт не правится под зелень (D39.121): подгонка спрятала бы ровно тот факт, что провенанс покупок держался на файловой системе. -⚠ **Класс шире одного гейта:** `eval/dovodka/runs.py:166`=`def judge_of` и `eval/role_topology/absjudge.py:323`=`path.stat().st_mtime` атрибутируют +⚠ **Класс шире одного гейта:** `eval/dovodka/runs.py:172`=`def judge_of` и `eval/role_topology/absjudge.py:323`=`path.stat().st_mtime` атрибутируют судью ответу тем же способом — по mtime файла ответа. Для БУДУЩИХ чтений это работает (файлы пишутся сейчас), для исторических — атрибуция утрачена там же и тогда же. ⇒ **Норма на будущее: время покупки и время ответа писать ПОЛЕМ В АРТЕФАКТ.** Файловая система — @@ -6184,7 +6185,7 @@ n = 16 английских единиц = 7.89 главы Гу · k = 5 арм * **Находка 1 (декой) — диспозиция за приёмкой**, не за сессией. От неё зависит, считать ли Шаг 4 закрытым по букве или по цели. * **Находка 11** — пометы «контраст условный» на телах Д23/Д24 не поставлены. -* `docs/PROGRESS.md:675`=`ЖИВОЙ ДЕФЕКТ ДВИЖКА` — шапка пинга №19 теперь ложна дважды (дефект +* `docs/PROGRESS.md:677`=`ЖИВОЙ ДЕФЕКТ ДВИЖКА` — шапка пинга №19 теперь ложна дважды (дефект движка закрыт 28.08; терялся промт, а не глоссарий) и баннера не имеет. **Чужая зона, пинг дан.** --- @@ -7182,3 +7183,71 @@ ln 38 = 3.64, то есть **примерно 3.1 sd — событие ред медиана ×7.1, по сумме ×11.4), и он упирается НЕ в деньги, а в кап агент-сессий на слепое чтение (нужно 16, свободно 14). ⛔ **Тратить следующие доллары на ручку, пока порядковый рычаг не прочитан по качеству, — плохая экономика.** Приоритет: сначала качество луны, потом всё остальное. + +--- + +## Д48 — ⭐ ПАНЕЛЬ `luna1`: КАЧЕСТВО ЛУНЫ ПРОЧИТАНО ВСЛЕПУЮ. ПЕРВЫЙ КРУГ, $0 + +**Санкция владельца 30.08 («Да, давай подниму кап») — она и была единственным, чего не хватало:** +деньги на этот замер не тратятся вовсе, упирался он в кап агент-сессий. Кап поднят 200 → 215. + +### Д48.1 ЧТО ЧИТАЛОСЬ И ПОЧЕМУ ИМЕННО ЭТО + +⛔ **Сначала — поправка к собственному предложению.** Развилка владельца от 17.08 (Д42.5а) про +`luna` — про **ЧЕРНОВУЮ роль внутри связки**, и её приз пере-считан в Д42.1: **6%, а не разы**, +потому что редактор съедает 85% связки. Читать «луну как черновик» значило бы потратить кап на +шестипроцентный рычаг. Порядковый рычаг (×7–11) лежит в другом вопросе, и читалась именно он: + +| арм | что это | +|---|---| +| `RN` | однопроходка ролевым промтом на `deepseek-v4-pro` | +| `RL` | **та же однопроходка на `gpt-5.6-luna`** | +| `Z0` | боевая связка «черновик `flash` → редактор `pro`» | +| `ZF` | **вторая генерация ТОЙ ЖЕ связки — собственный шум прибора** | + +**Оснастка:** 15 глав из 16 (на `100b088f71` клетка `RN` не прошла гейт годности — пропуск +напечатан, не спрятан), одна глава = один пакет = один читатель, метки перемешаны своей раскладкой +на каждую главу. Обёртка запуска — замороженный `reader-wrapper.md` sha `15cfac60`, тот же, что в +прошлых кругах. **Ключ панели закоммичен ДО того, как появился хоть один ответ** (`2a9d1d0`). +⭐ **Модель читателей сверена ИСПОЛНЕНИЕМ, а не самоотчётом:** во всех пятнадцати транскриптах +`"model":"claude-fable-5"`, исключений нет. + +### Д48.2 РЕЗУЛЬТАТ: РАЗЛИЧИЙ НЕТ НИ МЕЖДУ ЧЕМ + +| арм | среднее место (1 — лучшее) | места по главам | +|---|---|---| +| `Z0` связка | **2.33** | 1 3 3 2 4 4 3 2 2 2 2 2 1 1 3 | +| `ZF` её близнец | **2.33** | 3 4 4 3 3 3 2 1 1 1 1 1 4 3 1 | +| `RN` однопроходка dspro | **2.53** | 2 1 1 4 1 2 1 3 3 3 3 4 2 4 4 | +| `RL` **однопроходка luna** | **2.80** | 4 2 2 1 2 1 4 4 4 4 4 3 3 2 2 | + +**Контроль шума и контрасты (n=15):** +* **близнецы `Z0`/`ZF` расходятся на +0.00 места при пороге 1.06** — неразличимы, как и обязаны; + прибор смещения не несёт; +* якорь (связка) ↔ `RN`: разрыв **+0.20** при пороге 1.30 — **в пределах**, знаковый p=0.79; +* якорь ↔ `RL`: разрыв **+0.47** при пороге 1.26 — **в пределах**, знаковый p=0.58; +* очно `RL` против `Z0` по главам — **6:9**, то есть ничья в пределах монетки. + +⇒ ⭐ **Однопроходка на дешёвой `luna` НЕ ОТЛИЧИМА по качеству ни от однопроходки на дорогом +`deepseek`, ни от боевой связки** — на этом приборе, на этих 15 главах, в первом круге. + +### Д48.3 ⛔ ЧЕГО ЭТОТ РЕЗУЛЬТАТ НЕ ГОВОРИТ — И ЭТО ВАЖНЕЕ ТОГО, ЧТО ГОВОРИТ + +1. **«Неразличимо» ≠ «одинаково», и разрешение прибора здесь грубое.** Две генерации ОДНОГО И ТОГО + ЖЕ конвейера расходятся по главам в среднем на **1.33 места из 4**. Всё, что тоньше ~1.3 места, + этот прибор не видит. Разрыв луны (+0.47) — примерно **треть** собственного шума. +2. **Направление, хоть и незначимое, против луны:** 2.80 против 2.33 у связки, последнее место из + четырёх. Будь луна ровней, её ждали бы ~2.5. Это не вывод, это то, что второй круг проверит. +3. **Это ПЕРВЫЙ круг.** Наше же правило конъюнкции требует повтора во втором круге; **вердикта + ещё нет**, и подавать его как решение нельзя. +4. **Панель не трогает то, на чём однопроходка и падала раньше:** консистентность терминов на всю + книгу и банк (у однопроходки нет черновика, из которого терминологу добывать свидетельства — + находка владельца 16.08, Д42.3), цензур-ось на целевом жанре и перенос на пару zh. +5. **Грубого декоя в панели нет** — разрешение держится только на близнецах. + +### Д48.4 ⛔ ВТОРОЙ КРУГ УПИРАЕТСЯ В ОДНУ СЕССИЮ, И ЭТО МОЯ АРИФМЕТИЧЕСКАЯ ОШИБКА + +Поднимая кап, я записал «15 на круг, остальное на второй». Считано неверно: 215 − 186 = 29 +свободных, круг съел 15, осталось **14 — на одну меньше, чем нужно второму кругу**. ⇒ второй круг +требует **+1 сессии** (беру запас: +5). Резать панель до 14 глав решением сессии запрещено, и это +ровно тот случай, когда «подогнать под возможности» было бы подгонкой под результат.