textmachine/eval

eval/ — полигон TextMachine

Зона сессии «Полигон»: эмпирическая валидация допущений архитектуры (мерить, а не верить). Отчёты — docs/experiments/NN-*.md (методика + цифры + честные ограничения). backend/ только читать; расхождения с architecture/research — пингом оркестратору в docs/PROGRESS.md. .env не читать; data/refusal_corpus/* не открывать без прямой задачи владельца.

Очередь полигона (пост-D39.6, 17.07): exp15 сегментация-эмпирика — промт docs/POLYGON_SEGMENTATION_EMPIRICS_SESSION_PROMPT.md ВЫДАН, ждёт запуска (фриз = первый коммит; скрипты — семьёй eval/exp15/ по конвенции D38.2) → полигон-стадия банк-майнинга (research/20 §D, отдельный промт ПОСЛЕ exp15). Residual-трекер пилота/18+/echo — docs/POLYGON_PACKAGE4_SESSION_PROMPT.md (отложен).

Карта

Скрипт	Эксперимент	Заметки
refusal_bench.py	exp02; его split_sentences/classify_output = приёмочный оракул coverage-гейта Go (паритет закреплён Go-тестом; любое изменение — Python-first, лок-степ)	run_refusal.sh — однокоманда
token_calc.py	exp01 токен-калибровка (r-множители)	токенизаторы в tokenizers/
editor_bench.py + build_editor_artifact.py	exp04 бейк-офф редакторов	✅ слепота починена (D13.5): рандомизация меток ПО ФРАГМЕНТУ (соль), ключ+цена в отдельном --key файле. ⚠ Выбор grok-4.3 SUPERSEDED D30.1: боевой редактор = БИЛИНГВ glm-5, grok reasoning-off из редакторских ролей снят (no-op); exp04-ранг был на дефолт-reasoning
coverage_precision.py, content_filter_probe.py	exp07 precision гейта (0 FP/57)
cost_model_v2.py	exp08 COGS (~$0.69/ранобэ — ДО-флиповый; после флипа D1 билингв ≈$0.85, D30.4)	цены датировать и перепроверять
extract_bench.py	exp06 экстракция терминов (спот=локаль/рендер=облако)	health-верификация каждого ответа — образец. ⚠ recall 0.98–1.0 мерен на PD-классике; вебновелл-ре-замер = research/20 §D-A6 (полигон-стадия банк-майнинга)
retrieval_bench.py	эмбеддинг-бенч памяти (bge-m3 дефолт)
pilot/declmetric.py, pilot/memory_eval.py, pilot/kana_precision.py	харнесс пилота Ф2.5 (exp09)	✅ починен (D13.5): эхо-контроль, ПОЛНЫЕ выходы, fidelity-ось (cross-family судья), M0–M3, Go-синк 7 расхождений (self-test+адверсариально verified). --self-test/--dry-run без API. ⚠ судья-дефолт memory_eval --judge = gemini-2.5-flash (EOL 16.10.2026, research/15-фактчек) — мигрировать слаг при следующем прогоне (residual POLYGON_PACKAGE4). Инъекция = зеркало memory.go — синк с Go v3 выполнен (пакет №2: suppressUnboundedPhonetic + апостроф-фолд, adversarial parity); при расхождении верить Go. kana_traps.json+trad2simp.txt (508, hash-синк)
webnovel_slice.py	добор вне претрейна (r-коэф/эхо/coverage-precision)	одна команда по появлению data/samples/webnovel/<lang>/*.txt; блокируется корпусом graceful
adaptive_*.py	research/14 пробы (гибрид отклонён)	индикативные, не решения
memory_hotpath.py	УСТАРЕЛ (контракт до cc57c7b) — не переиспользовать	актуальное зеркало — pilot/memory_eval.py
providers.json	базовые URL/слаги для зондов	квирки — docs/experiments/00-provider-quirks.md, читать ПЕРЕД любым вызовом

18+ / корпус-билдеры

Скрипт	Эксперимент	Заметки
explicit_judges.py, gu_corpus_build.py	exp10 (violence-рука 18+)	корпус-строки в data/ (gitignore); тексты вне git (Р8)
jpm_corpus_build.py, en_corpus_build.py, ja_corpus_build.py	exp11 (erotica-рука 18+, zh/en/ja пары)	jpm=金瓶梅 PD; en/ja — файлы владельца вне git
mistral_fidelity.py	exp02/D14.2 (Mistral base-fidelity ре-съёмка с полным персистом)	почему: первый Mistral-зонд потерял сырьё
dialogue_precision.py	exp07 package-2 (precision гейта на диалог-плотном срезе)
refusal_corpus_build.py	exp02 (наполнение refusal-корпуса L0–L1)	explicit/L3 этим НЕ наполняются
local_bench.py, llama_moe_bench.sh	exp03 (локальный стенд)	dense через ollama / MoE через llama.cpp

Скрипты «дуги качества» 12 → 13 → 14 → 14b — сгруппированы по папкам eval/expNN/ (эксперименты ЗАКРЫТЫ; отчёты см. docs/experiments/README.md)

Спент-семьи структурированы по папкам eval/exp12/, eval/exp13/, eval/exp14/, eval/exp14b/ (решение владельца — D38.2): declutter top-level eval/, логическая группировка кода (это код-репо, не «архив»/не заморозка). Прогонять повторно не нужно — вердикты ратифицированы (D30/D32/D37/D38). Импорты сохранены (проверено py_compile+find_spec): скрипты, тянущие refusal_bench, дотягиваются до eval/ шимом .parent.parent; exp14b_* тянут общий exp14_common/exp14_prompts из ../exp14/ (exp14b построен на харнессе exp14). ЖИВОЙ провенанс сида v2 (exp13_seed_v2.py/exp13_seed_signoff.py) НЕ перемещён — остался в eval/ (цитируется D-логом D30.5, регенерирует боевой сид).

Папка	Эксперимент	Скрипты / особые модули
eval/exp12/	exp12 диагноз (закрыт D30)	arms, blocks, candidate, extract, glossary_v2, judges, monitor, pack, reflow_demo, rootcause; exp12_judges→exp12_pack
eval/exp13/	exp13 бейк-офф переводчиков (закрыт D32)	aggregate, blind_stage, gates, judges, monitor, translate
eval/exp14/	exp14 рычаги качества (закрыт D37)	arms, common, judges, kpi, material, monitor, prompts, rank, regate, sizecurve; фундамент exp14_common/exp14_prompts
eval/exp14b/	exp14b батарея смысл-трапов (закрыт D38)	arms, judge, monitor, score; реюзят exp14_common/exp14_prompts из ../exp14/; + exp14b_reseed_promote.py = ЖИВОЙ reseed-провенанс сида (промоут грейдов+四代族长, D38.3/4, идемпотентен)
eval/ (НЕ перемещён)	ЖИВОЙ провенанс сида v2	exp13_seed_v2.py, exp13_seed_signoff.py (D30.5, регенерируют боевой сид); лестница reseed → exp14b/exp14b_reseed_promote.py (D38.3/4; в папке — нет контракт-пина, в отличие от exp13_seed_*)

exp14_common.py + exp14_prompts.py живут в eval/exp14/ и служат фундаментом exp14 И exp14b; exp14b_* тянут их через шим ../exp14, поэтому переименование/перенос exp14 без правки шимов exp14b порвёт import exp14_common.

Правила (выучены на ошибках)

1. Провенанс данных: results-файлы не перезаписывать ре-раном (урок exp02: сырьё 66 вызовов утрачено); каждый прогон — model id + дата + usage; сырые ВЫХОДЫ сохранять целиком.
2. Претрейн-контаминация: вся классика (Лу Синь/Акутагава/Уэллс) в претрейне моделей — C0 частично выдаёт канон, эхо систематично (deepseek 13/24 zh-чанков). Выводы на классике = предварительные; решающие замеры — на вебновелл-корпусе владельца.
3. Тест ставится, только если его исход может перевернуть решение и не установлен литературой (урок снятого exp05).
4. LLM-судьи: ≤2–3 семейства, 11+ повторов со свапом позиций, Bradley-Terry/медиана, судья не судит выходы своего семейства (D13.3); κ против человеческого IAA, не «средняя корреляция».
5. Env: eval/.venv (torch-cpu, sentence-transformers, openai, dotenv, pymorphy3); ключи скрипты читают из eval/.env сами. Стенд: GTX 1070 8GB — модель полигона qwen3-abliterated:30b-a3b в ollama не выселять без нужды; localhost из-под прокси даёт 403 — для локальных вызовов no-proxy.
6. data/ в .gitignore (коммитится только код) — критичные результаты дублируй цифрами в docs/experiments/.
7. Экстракция прод-выходов — ТОЛЬКО через tmctl export (D39.5, инвариант №8 backend/README): сырое чтение чекпоинтов store (records.json-стиль) отдаёт НЕнормализованные байты (без export-contract слоя) и молча-неполную книгу (без manifest-join/drift-гарда). --plaintext для глаз, дефолтный JSON для скриптов. Прежний путь final_hash→response_text — только для форензики сырья, не для оценки качества.
8. Аномалия провайдера ≠ повод гадать: странный отказ (интермиттентный 404/5xx, новый finish_reason, молча игнорируемые параметры) → сначала официальная дока вендора (deprecations/changelog/status) + свежий /models живьём, потом диагноз; в отчёт оба слоя — наблюдение И вендор-факт с датой/URL. Урок: 404-флейки gemini-2.5-flash оказались предвестником EOL всей 2.5-серии 16.10.2026 (research/15 → фактчек 10.07; правило — шапка 00-provider-quirks.md).

Доступные ключи от моделей

DEEPSEEK_API_KEY, ZAI_API_KEY, KIMI_API_KEY, OPENAI_API_KEY, GEMINI_API_KEY, XAI_API_KEY, MISTRAL_API_KEY