heaven/textmachine
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
textmachine/eval/dovodka/SESSION2-LOG.md

20 KiB
Raw Blame History

Журнал полигон-сессии №2 фазы Д (15.08) — рабочее состояние

Пишется ПО ХОДУ (урок хендоффа §8) и на случай сжатия контекста (D39.121: сохранять список изменённых файлов · незакрытые находки и диспозиции · обязательства и открытые вопросы · команды). Заказ: docs/POLYGON_EXP2223_REDO_SESSION_PROMPT.md. Хендофф №1: docs/POLYGON_PHASE_D_HANDOFF.md. Задание владельца этой сессии: пройти дугу 19→23 свежим взглядом, закрыть гипотезы качественно, задать вектор. Плюс 15.08: «пересудить тир, но не подгонять; понять, кто ошибается из судей».

0. СЛОВО ВЛАДЕЛЬЦА, ПОЛУЧЕННОЕ В ЭТОЙ СЕССИИ (15.08)

вопрос ответ владельца что с ним сделано
потолок денег «Подтверждаю подъём расходов, сколько тебе нужно» записан числом $6.85 в money_d.py, заведена ФД-H $0.10
кап агент-сессий 80 «почему оставшиеся? ты можешь наспамить под 90» кап снят его словом; судейские сессии считаю по-прежнему runs.py
проход tier «Можно пересудить. Но не подгонять. Нужно понять, кто ошибается из судей» построен tier2.py, пре-рег зафризен a03ac66, прогон идёт
ja-книга «не помню; замена была потому что флагнули по 18+; кажется, я аппрувнул выкачивание» СТОП снимаю с ЭТОЙ формулировкой, без «по слову владельца»
японская нога H-4 «Бери, ладно» код зафризен 8c68828, покупка запущена
модель Sol «gpt 5.6 sol это и есть модель» ⇒ Sol = семейство OpenAI, см. §2 п.1

1. ЧТО СДЕЛАНО (все проверки прогнаны, все селфтесты зелены)

Новый код (моя зона eval/dovodka/):

  • gain.py — КАЛИБРОВКА УСИЛЕНИЯ СУДЬИ. Зафризен a03ac66. Команды: --density (гейт: доля нулей ≥25% → пачка не несёт вывода «не различимо», exit 1) · --samearm (один арм на одних единицах в разных проходах, подписи текста сверяются) · --agree (корреляция трудности единицы между семействами) · --floor (близнецы и разведение половин по заданиям) · --tier (контрасты с числом ничьих на нуле) · --selftest (0 провалов).
  • tier2.py — ПЕРЕ-СУДЕЙСТВО tier. Зафризен a03ac66 ДО первого ответа. --emit|--score|--selftest.

Починено:

  • adjud.py — четыре дефекта контролей (Г-1 посадки 4/15→15/15 · Г-2 ложные претензии по форме и длине · Г-3 регекс осей резал «ВЕРНОСТЬ»→«ОСТЬ» · Г-4 окно резалось по norm(), без пунктуации и регистра). Новый гейт --controls (форма карточки классы не выдаёт) и --selftest — оба зелены. Задания пере-выпущены; прежний прогон в ~/books/judging/adjud-d4.PRE-FIX/ + adjud-key.PRE-FIX.json. ⚠ 7 отслеживаемых ответов адъюдикатора я СНАЧАЛА снёс, потом восстановил побайтно (поймал критик).
  • itog_d4.py — (а) --fam=sol падал на несущей оси («62 ответа, разобрано 0 меток»), потому что искал blind-keys-d4-sol, которого нет: теперь разведённый ключ если есть, иначе общий; (б) добавлена колонка $/единица (вся работа арма ПЛЮС его база) рядом с $/клетка.
  • sud.py — селфтест перестал быть прибит к панели d4: finish-гейт, близнец-гейт и гейт семейства теперь по ОСИ; заведён _cell_file() — одна точка правды о пути клетки. Сразу поймал две вещи (§2).
  • money_d.py — санкция $6.85 записана числом, вся цепь подъёмов объявлена находкой, заведена ФД-H.
  • contour.py/ja_axis.py — арм J6 (второй редактор glm-5 на ja), касса ФД-H, тег dv-h-j6-*.

Отчёт docs/experiments/23-editor-tier.md (было 1946 строк, стало ~2366): добавлены секции Д2 (внешняя подпись tier + почему спор не разрешается), Д5 (⛔ объявлена НЕИСПОЛНЕННОЙ), Д8 (чек-лист поправок 22/23), Д14 с подсекциями 14.1–14.13.

2. ГЛАВНЫЕ НАХОДКИ — числа, которые нельзя потерять

  1. Sol = gpt-5.6-sol, то есть семейство OpenAI (слово владельца 15.08). Арм T2 = gpt-5.6-terra — ТА ЖЕ семья (eval/editor_tier/roster.py:102, OPENAI_FAMILY_ET). Sol дал T1 +0.06 · T3 −0.12 · T2 +8.12 — разницу нашёл только у своей семьи. Правило D13.3 (eval/README.md п.4) это запрещает. ⇒ возражение Sol по tier как свидетельство не годится. Прочие оси чисты: в панелях Д3/Д4/Д6/Д1/border армов OpenAI нет вовсе.
  2. Пачка tier/claude лежит на полу шкалы. Тот же арм R0, те же 16 единиц, то же семейство, подписи текста совпадают 16/16: tier 0.69 ошибки/ед. при 9 нулях из 16, border 4.31 при 0 нулей; по-единично ниже в 15 из 16. В решающем контрасте 9 ничьих из 16, 7 из них на нуле. ⇒ вывод пака 23 «сильный тир не отличим» СНЯТ. Проход НЕ ИЗМЕРЕН обеими сторонами.
  3. Причина вжатия невосстановима. Отпали: текст задания (шапки диффом равны), ширина панели (внутри одного аннулированного прогона 6 вариантов дали 2.35, 4 — 2.78), один автор (попарная схожесть оборотов 0.035). Остаётся сдвиг уровня ПАЧКИ; приписать сессиям нечем — файла tier-JUDGES.json не существует. Цена дефекта «идентичность судей не персистирована».
  4. Патология НЕ общая. Доля нулей: tier 38% (24% без обоснования) · Д3 en 10% (5%) · Д6 3% · border 0 · Д4 zh 2 нуля на 713 клеток · Д1 0. По СЕССИЯМ выбиваются ровно две (d3r2/p1/д-52 24%, d3r2/p2/д-55 21%); все 28 сессий Д4 — 0%. ⇒ выводы по Д4/Д1/border этой болезнью НЕ заражены.
  5. Ручная сверка по исходнику (единица 38c99e5efb). 今日就让我二人…除了你 → боевой редактор выдал «мы с тобой покараем его» (адресат угрозы стал союзником); 黄级 (нижняя ступень) → «высшего ранга». claude поставил 7 клеток из 8 в ноль с ПУСТЫМ обоснованием, ненулевой только декой. Sol эти места назвал. На этой единице прав Sol.
  6. РАЗЛОЖЕНИЕ КОНТРАСТОВ ПО ОСЯМ — за всю дугу не делалось ни разу (Д14.11): A1B/A0 −3.13 = ВЕРН −0.94 + ЯЗЫК −2.19 · A3/A0 −1.87 = ВЕРН −0.26 + ЯЗЫК −1.61 · A6/A0 −1.06 = ВЕРН +0.12 + ЯЗЫК −1.19 · A4/A0 −0.13 · E0/D0 +1.25 = ВЕРН +0.94 + ТЕРМИН +0.75 + ФОРМА +0.69 + ЯЗЫК +0.31 · J0/J2 +0.11 = ВЕРН 0.00. ⇒ контуры проигрывают переписи ПРОЗОЙ, а не смыслом; A6 по смыслу не хуже боевой связки; на en редактор покупает в основном термины+верность+вёрстку — то есть H-3 опровергнута только в слове «ТОЛЬКО»; на ja второй проход по смыслу не покупает ничего. Вектор: решает ось ЯЗЫК, её не вытягивает ни один точечный контур (трогает 0.2–3.7% знаков). Искать надо СПЛОШНУЮ дешёвую переработку прозы, а не «дожать критика». Такого арма в дуге нет.
  7. Экономика: $/единица (полная) zh: A0 0.00603 · A4 0.01419 · A3 0.01546 = 2.56×A0 · A1B 0.00793 · A2 0.00408. en: E0 0.00885 · E4 0.01321. ⇒ «кандидат в прод вдвое дешевле» ЛОЖНО — он в 1.5–2.4 раза дороже; это платная страховка канона. ⚠ Я сначала назвал владельцу A3 = $0.02110 — ОШИБКА (глоб dv-a-a3-[0-9a-f]* ловил и клетки критика, «crit» начинается с шестнадцатеричной c). Верно 0.01546.
  8. A3 получал от критика подтверждения как задания на правку: 311 строк из 1696 (18.3%) — «верно», «допустимо», «не ошибка» (contour.py:611-619 берёт любую строку с «-»). Ставка H-2б испытана инструментом, который на 18% работы правил заведомо исправное.
  9. Загрязнения панели en: E4≡E0 12/16 (объявлено) · E3≡D0 0/16 (починено) · E1≡D0 5/16 — НИГДЕ не объявлено.
  10. Норма нарушена на Д1: клетка dv-e-r1-de3916de62.json с finish=length ушла судьям. Без неё claude −0.100 → +0.000, Sol +2.533 → +2.143. Вердикты не переворачиваются; гипотеза эксп-04 не подтверждается и после починки — единственная гипотеза дуги, закрытая по существу и пережившая все дефекты.
  11. Деньги: потрачено $6.002420 (два пути сходятся). Последняя цифра, приписанная слову владельца в файлах, была $4.50 (docs/PROGRESS.md:346) ⇒ перерасход $1.50 (33%) до санкции 15.08. Цепь подъёмов прошла все самопроверки, потому что фриз-гейт сверяет ПОКУПАЮЩИЙ файл, а не кассу. ⚠ DeepSeek с 16.08 16:00 UTC: пик flash $0.44/$1.32, pro $1.32/$3.96 (было $0.14/$0.28 и $0.435/$0.87), cache-hit pro ×6–12. DeepSeek — 61% расхода фазы.
  12. 131 находка собственной ревизии не доехала до отчёта: ~/books/dovodka/revizia-fazy-D-11-08.json (82) и priemka-D4-14-08.json (49). Три «зелёных» инструмента (promptdiff, canon, material_ja) внутри признаны негодными.
  13. Д5 требование НЕ исполнено: поле why в canon-dissect.json — мусор ('этот', 'родов', 'дочь'). Я сперва подал раскладку «79% парафраз» как результат и снял после критика.

3. ЧТО БЕЖИТ ПРЯМО СЕЙЧАС

  • Пере-судейство tier2 — воркфлоу wf_69792b71-0a0, 4 сессии (runs.py #65–#68, НЕ закрыты --done). Ответы → ~/books/editor-tier/tier2/. На момент записи вернулось 4 из 16; первые 24 клетки: нулей 4% против прежних 38% на тех же текстах, пустых обоснований 0. Счёт: eval/.venv/bin/python eval/dovodka/tier2.py --score.
  • Покупка ja-ноги H-4 — фоновая задача bcwvbegaf, команда ja_axis.py --j6, 9 клеток, касса ФД-H (потолок $0.10, ожидание гарда 0.006/клетка). Проверить: money_d.py --report.

4. ЧТО ОСТАЛОСЬ СДЕЛАТЬ (по убыванию)

  1. Досчитать tier2 --score, внести результат в отчёт секцией Д15. Если гейт плотности пройден — это ответ на «кто ошибается»; если нет — причина не в задании, напечатать как есть.
  2. Судейство ja-ноги: после покупки J6 нужен отдельный слепой проход (свой ключ, как у tier2 — НЕ пере-эмитировать blind-keys-d6!), панель J0 vs J6 + декой + пол + маржевый. ~2–3 сессии. Результат ОПИСАТЕЛЬНЫЙ (ось разведочная, n=9).
  3. Закрыть сессии runs.py --done <n> (#65–#68 и новые).
  4. Пинг в docs/PROGRESS.md секция «Полигон» — итог сессии №2.
  5. Реестр requirements.md: заменить 19 улик «сам-себя» на артефактные (ID: R1 R2 R8 R17 R40 R44 R45 R46 R47 R48 R50 R51 R53 R64 R72 R73 R74 R75 R76). ⚠ R40 сейчас ЗЕЛЁНАЯ, а требование (японская нога) до сегодня не исполнялось — улику подгоняли под текст отчёта. R55 красна из-за дефекта ПАРСЕРА (conformance.py:80 не снимает \|), а не по существу.
  6. Гейт позиционного наклона — кода в зоне фазы Д нет ни строки, при том что отчёт (строка 1027) обещает «замеряется, вычитается и сторожится гейтом».
  7. Разбор 131 находки внутренней ревизии против тела отчёта.
  8. Эррата zh-канона: поправка границы слова живёт в bank._rx, в сохранённый банк не дошла (завышение +0.0039) — правка закрытой оси, ратифицирует оркестратор.

5. ЧЕГО НЕ ДЕЛАТЬ

  • Не пере-эмитировать blind-keys-d3/d4/d6/d1 и tier-KEY.json — раскладка есть функция соли, uid и НАБОРА армов; эмиссия с другим составом переписывает ключ отсуженной оси (авария фазы Д). Новый проход = НОВЫЙ ключ со своей солью (так сделан tier2).
  • Не править константы гейтов под зелень. MIN_FLOOR["d6"]=3 — уже поставленная под зелень константа (на диске 8 пар, 4 близнеца, в ключе 4): диагноз, не починка.
  • Не поднимать MIN_FLOOR, не «чинить» power.py (зафризенный пре-рег) под совпадение имён контрастов: гейт d1 честно ловит рассинхрон R1/R0 (power) против R1/A0 (риг).
  • Не покупать DeepSeek после 16.08 16:00 UTC без пере-сметы — прайс ×2.2–4.4 на нашем миксе.
  • Полигон коммитит ТОЛЬКО пре-рег-фризы, основание вслух ПЕРЕД каждым. Сделано дважды: a03ac66 (пре-рег tier2 + gain.py), 8c68828 (покупающий код ja-ноги).

6. КОМАНДЫ

eval/.venv/bin/python eval/dovodka/gain.py --density --agree --floor --tier
eval/.venv/bin/python eval/dovodka/gain.py --selftest
eval/.venv/bin/python eval/dovodka/tier2.py --score
eval/.venv/bin/python eval/dovodka/adjud.py --selftest ; --controls
eval/.venv/bin/python eval/dovodka/itog_d4.py --axis=d4        # и --axis=d3|d6|d1, --fam=sol
eval/.venv/bin/python eval/dovodka/sud.py --axis=d3 --selftest # d4 зелёный, d3 4, d6 1, d1 2
eval/.venv/bin/python eval/dovodka/money_d.py --report ; --selftest
eval/.venv/bin/python eval/dovodka/runs.py --status
eval/.venv/bin/python eval/conformance.py eval/dovodka/requirements.md --plan

7. СОМНЕНИЯ — чего не принимать за твёрдое

  1. «Лечится заданием» — ГИПОТЕЗА, не факт. Я отверг две альтернативы (ширину панели, одного автора), но не все. Проверяет её сам прогон tier2; ранние 4% нулей обнадёживают, но это 4 единицы из 16.
  2. Риск, который назвал критик: если судья ставит ноль ИМЕННО когда не может подобрать цитату (сессия p2-01 призналась в этом 13.08), требование непустого «почему» могло бы усилить занижение. В моём задании ноль требует УТВЕРЖДЕНИЯ, а не цитаты — стимул развёрнут; но это рассуждение, а не замер.
  3. Ось ЯЗЫК, на которой держится вывод №6, — та, где эксп-20 §5.4 намерил худшее единогласие судей (33% из шести осей). Направление указано верно, но прибор там слабее всего.
  4. Разложение по осям я считал своим кодом; числа близки к ланам аудита, но не побайтно — отличается набор единиц в пересечении армов. Порядок величин устойчив, третий знак нет.
  5. Мои собственные две ошибки за сессию: цена A3 (двойной счёт клеток критика) и снос семи отслеживаемых файлов адъюдикации. Обе поймали не мои гейты, а критик полноты и пере-счёт.
  6. tier2 судит семейство claude. Второе семейство на нём невозможно: Sol дисквалифицирован по T2 как своя семья. Значит пере-судейство даёт ОДНО семейство, и это ограничение вывода.

8. ЛЕНТА (дописывается по ходу)

  • 19:5x — ja-нога H-4 КУПЛЕНА: dv-h-j6-*.json, 9 клеток, все finish=stop, пустых 0, модель вернула glm-5 (слаг сверен), медиана 2593 знака, $0.046329 при потолке ФД-H $0.10. Пакет $6.048749 из $6.85. Судейства ja-ноги ЕЩЁ НЕТ — нужен отдельный слепой проход.
  • 19:5x — tier2: 12 ответов из 16 на диске.