Record the blind-read result after adversarial attack, with seven errata naming the truncated draft that left the accuracy lens without a reference on a third of the text

eval/dovodka/blind-read/RESULT-BLIND-READ.md

@@ -0,0 +1,108 @@
+# Результат слепого чтения + эрраты к пре-регистрации
+
+**Замер исполнен 02.09.** 99 судей Opus, 33 материала × 3 линзы, 0 ошибок агентов.
+Затем — адверсариальная атака шестью линиями (Opus) по своей же работе. Ниже итог ПОСЛЕ атаки:
+всё, что она сломала, помечено и исправлено в формулировках, а не спрятано.
+
+## 1. Что устояло
+
+| Улика | Число |
+|---|---|
+| Консенсус (2 из 3 линз) | **low 18 · off 6 · ничьих 6** из 30 |
+| Точная перестановка с переворотом метки на уровне ЮНИТА (2¹⁵ масок) | **p = 0.0332** |
+| Нулевые контроли (A и B — побайтная копия) | 9/9 голосов «ничья», 9/9 опознали идентичность |
+| Позиционный биас | 35 : 44, p = 0.368 — направлен ПРОТИВ находки |
+| Победитель длиннее | 9/24, p = 0.31 |
+| Цитаты судей (688 штук) | 662 только в своей руке, **0 в чужой** |
+| Ключ после судейства | md5 сходится с замороженным — не переписан |
+
+**Цена по факту `request_log` (не по смете):** редактура `p7-off` $2.0000 против `p7-low` $0.6727
+(**×2.97**); `p9` — $1.5917 против $0.6559 (×2.43). Дороже, чем считала фаза.
+
+**Все четыре дефекта сборки смещают замер В ПОЛЬЗУ дорогой руки** (см. §3): выбывшие юниты —
+ровно объединение провалов `off`; ретраи 11/30 против 2/30; санитайзерный ремонт только у `off`;
+потолок вывода душит только `off`. Значит перевес дешёвой руки скорее **занижен**.
+
+## 2. Что рухнуло — и это надо говорить вслух
+
+1. **«Консенсус трёх линз» — неправда.** Консенсус совпадает с линзой художественности в 25 из 30
+   пар, с естественностью в 21, с точностью в 13. Художественность в одиночку даёт 19:8,
+   **p = 0.0522 — своего же порога не берёт**. Естественность и точность согласны лишь в 6 парах
+   из 22, где обе определились (каппа −0.32: согласие НИЖЕ случайного). Правило «2 из 3» здесь не
+   усредняет три взгляда, а усиливает один.
+2. **«По точности не хуже» — НЕ ИЗМЕРЕНО.** См. эррату Э-1: в 10 юнитах из 15 линза точности не
+   имела опоры на 21–45% текста. Там, где черновик был полным, точность даёт low 6 : off 3;
+   где усечён — 7 : 8. Обе выборки слишком малы.
+3. **«Различаются ТОЛЬКО усилием» — ложно на уровне судимого артефакта** (§3).
+4. **Правило решения §5 не исполнено.** Доля бралась из n=30 (60% < 70%), а p — из n=24 (0.0227).
+   При последовательном n=24 срабатывает **E-C**, чья диспозиция — «*до объяснения в бой не
+   ставить*». При буквальном n=30 не срабатывает ни одна ветка. Вывод: **действующего
+   пре-регистрированного p у замера нет**, и «low можно в бой» из него не следует.
+
+## 3. Эрраты к `PREREG-BLIND-READ.md` (ошибки автора, не правки под результат)
+
+**Э-1 · §3 — судьям показан УСЕЧЁННЫЙ черновик.** Стадия `edit` склеивает несколько draft-чанков
+(35 draft-единиц против 20 edit-единиц), а сборщик вклеил только чанк 0. Проверено исполнением:
+показано 55–79% текста в **10 юнитах из 15**; худший случай гл.7 — 55%. Судьи это видели и
+штрафовали варианты за «сцену, которой в черновике нет» — фантомная отсебятина.
+⇒ линза точности на трети текста работала без эталона.
+
+**Э-2 · §2 — «4 таймаута p7-off» неверно.** Таймаутов в БД нет ни одного. Это `decode_error` —
+оплаченные ответы с нечитаемым телом, каждый ПОСЛЕ клетки, упёршейся в потолок 16000/`length`.
+
+**Э-3 · §7.1 — «ни латиницы: 0 на 60 клетках» неверно.** Гард искал `[A-Za-z]{2,}` и пропускал
+одиночные буквы: их 23–25 в КАЖДОЙ руке («категория B», «категория C»). Асимметрии нет (48 у `off`
+против 47 у `low`), **слепота не пробита**, но декларация была ложной.
+
+**Э-4 · §2 — «юниты с браком выпали по построению» неполно.** Клетка гл.2 в обеих `off`-руках
+помечена `sanitizer_stripped` (вырезан 公然勒索 из русского текста) и всё равно ушла судьям —
+отремонтированной. Обе пары дали ничью, на счёт не влияет; но брак дорогой руки до судей не дошёл.
+
+**Э-5 · §4 — первичный тест математически невалиден.** «Ничьи в знаменатель, не в числитель» плюс
+H₀=50% даёт под истинной нулевой ожидаемую долю (1−t)/2, а не 50%. При наблюдённой доле ничьих 0.20
+ошибка I рода — **17.8%**, а не 5%.
+
+**Э-6 · §6 — вторичный исход не исполнен.** Счётчик претензий кэпится: за 99 вердиктов ни одного
+значения вне {2,3,4}. Средние 3.82 против 3.69 — разность двух чисел, прижатых к потолку;
+сопоставление с планкой владельца ≤2 (D39.20) этим прибором невозможно.
+
+**Э-7 · механизм «low правит смелее» СНЯТ.** Я озвучил близость к черновику 0.65 против 0.79.
+Знаковый тест по 30 парам: `off` ближе в **19**, `low` в 11, **p = 0.200**. Свойством руки это не
+является; разброс порождён Э-1 (близость мерилась против усечённого эталона).
+
+## 4. Чего замер не даёт (сверх §8 пре-рега)
+
+- **Фактическое усилие дорогой руки нигде не записано.** `reasoning: "off"` не эмитит параметр —
+  едет вендор-дефолт, который DeepSeek двигал 31.07 и 30.08. `reasoning_tokens` = 0 во всех
+  вызовах. Замер **не воспроизводим** в строгом смысле: сравнивали с движущейся мишенью.
+- **Дорогая рука судилась задушенной:** `max_output_ratio: 2.2` одинаков у обеих, но мысль
+  биллится внутри `completion_tokens`; 10 и 9 клеток из 20 упёрлись в потолок против 1 и 1 у `low`.
+- **Нулевой контроль вырожден.** Он доказал лишь, что судья узнаёт побайтную копию. Референсного
+  распределения для 18:6 нет: неизвестно, какой перекос даёт ЧИСТЫЙ шум одной руки при
+  `temperature: 0.4`.
+- **Переносимость:** 0.63% книги, банк холодный, 13 из 15 юнитов — начала глав. Сшивка через
+  границу чанка и удержание глоссария — то, ради чего усилие покупают на длинной книге, —
+  представлены двумя юнитами. **Парное чтение изолированного куска слепо к дрейфу терминов и
+  голосов по построению** — а это цель №1 владельца.
+
+## 5. Честная формулировка результата
+
+> На 15 юнитах из начала книги дешёвая рука в парном слепом чтении выигрывает заметно чаще
+> (18 : 6, кластер-робастный p = 0.033). Направление устойчиво к позиции, длине и величине правки,
+> а все найденные дефекты сборки играют против него. Но пре-регистрированный порог не взят ни в
+> одном честном прочтении, «согласие трёх линз» отсутствует, равенство по точности не измерено, а
+> дорогая рука ехала на вендор-дефолте под потолком вывода.
+>
+> **Это рабочая гипотеза, а не решение о переводе `low` в бой.**
+
+## 6. Следующая проверка (одна, дешёвая)
+
+Пере-судейство тех же 30 пар на **полном склеенном черновике** (чинит Э-1 и возвращает опору
+линзе точности) плюс **10 «активных нулей» low₁ против low₂** — второй независимый прогон дешёвой
+руки при той же температуре. Если шум одной руки тоже даёт перекос вроде 7:2 — прибор негоден, и
+это надо знать до любых денег на объёме.
+
+Цена: один дешёвый `edit`-прогон ≈ $0.67 по факту логов, правок Go не требует; панель +20%.
+**Условие: пере-регистрация ДО чисел** — один фиксированный знаменатель, одна первичная линза,
+заранее объявленный список публикуемых сравнений. Иначе воспроизведём ту же свободу, из которой
+взялась Э-5.