textmachine/eval/pkg7

eval/pkg7/ — терминологическая ресёрч-программа (полигон, пакет-7)

Инструменты фазы A. Отчёт с цифрами и вердиктами — docs/archive/reports/POLYGON_TERM_RESEARCH_A_2026-07-26.md. Всё здесь $0: ни одного вызова LLM-провайдера, ни одного чтения ключей.

Скрипт	Что делает	Заметки
split_book.py	книга → JSONL-субстрат {chapter, chunk_idx, source}	правила глав — ДАННЫЕ (RULES), добавить книгу = добавить строку; epub парсится stdlib (bs4/ebooklib в venv нет) и чистится от колонтитулов
minerharness/	вызов БОЕВОГО internal/miner из модуля ВНЕ репо	build.sh <work-dir> [commit]; replace смотрит в git archive-копию коммита, а НЕ в рабочее дерево
mine_nonhan.py	кандидаты-термы для en/ja тремя раздельными каналами	ORTHO · DISP · CONTRAST; кандзи сознательно без контраста (см. шапку)
kwic.py	KWIC-контексты вхождения	разметка по тексту, а не по памяти; --stats даёт объём контекстов для сметы
seed_recall.py	recall WHICH-канала против подписанного сида	майнер обязан гоняться с ПУСТЫМ сидом, иначе метрика вырождается
rubric_probe.py	измеримость критериев рубрики на подписанном сиде	M1 морфология (pymorphy3) · M2 транскрипция · M3 коллизии банка

Правила, выученные на своих ошибках в этом пакете

1. Пин обязателен. Харнесс replace-ит копию коммита, не рабочее дерево: параллельная бэкенд-сессия правит backend/ под руками, и прогон стал бы невоспроизводимым. Все цифры отчёта — на 996bade.
2. Ссылки файл:строка — по коммиту пина. В рабочем дереве те же якоря уже уехали; первая редакция отчёта содержала номера строк рабочего дерева.
3. Порог частоты и алфавит кандидатов — свойство ЯЗЫКА, не движка. Японские названия техник живут на частотах 2–10 и в катакане/руби; ханьский n-граммный канал их не видит вовсе.
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.

Итог пакета (26.07): жанровый словарь ОТМЕНЁН владельцем как класс — решение о переводе принадлежит подписи на банк памяти, а пар-словарь навязывал бы одно видение всем книгам пары. Замеры силы не теряют и перепрогонов не требуют (главный результат P0b↔P1 идёт по армам без словаря; P5↔P2 несут одинаковые инертные строки), беспредметен только арм P0. Отсюда последний и самый дорогой урок:

13. Замер может подорвать ПОСЫЛКУ задачи, а не только её исполнение — и тогда деливерабл надо оспорить, а не исполнить. Мы намерили ровно основание для отмены (V0 на центральном терме, ложная сходимость русских глоссариев, покрытие 0/80, четыре строки из шести отсутствуют в книге) — и всё равно принесли «таблицу на подпись», потому что она стояла в промте. Право сессии сказать «этого делать не надо» существует, канал вопросов для этого и заведён; не воспользоваться им дороже, чем не измерить вовсе, потому что так наш вкус едва не стал контрактом пары.

Пакет-8 (пре-замеры перед расширением эмиссии, 26.07)

Отчёт — docs/archive/reports/POLYGON_PREMEASURE_2026-07-26.md. Инструменты живут здесь же по указанию промта пакета-8 (зона записи eval/pkg7/), хотя относятся к следующему пакету.

Скрипт	Что делает
termharness/	собирает запрос БОЕВОЙ роли терминолога вне репо (Merge→AttachKWIC→ScoreVariants→Batch→RenderCanonAnchor→MessagesWithInjection); режимы build · norm (боевой NormalizeSourceKey) · parse (боевой ParseReply)
joint_recall.py	recall майнера · банкноты · объединения против подписанного сида; парсер ⟦TM-BANK-v1⟧ — реплика parseBanknote, сверенная с боевой телеметрией
bank_profile.py	цензура инъекцией по парам (терм × глава) + объективный профиль эмиссии банкноты боевыми порогами майнера
role_probe.py	драйвер платных вызовов: смета до трат, $0-резюм по уже оплаченным батчам, сырьё с usage/finish_reason, деньги из models.yaml
score_probe2.py	доля выдуманных dst по классам разметки, разброс по повторам
score_grid.py	сетка kwic × подача: точность против подписи, внутриточечный размах, расходящиеся позиции ПОКАЖДОМУ повтору

Уроки, купленные пакетом-8:

14. «Данные лежат там-то» — проверяй, прежде чем строить на этом замер. Промт сказал, что блоки банкноты лежат в corpus.jsonl пакета-6. Их там 2 из 91; сырьё жило в трёх базах прогонов, и нашлось только сканированием всех 21 базы стенда. Полминуты проверки против замера, построенного не на том корпусе.
15. Реплика формата запроса — третья копия и первый кандидат на расхождение. Всё, что можно собрать боевым кодом, надо собирать боевым кодом: termharness вызывает те же функции, что рантайм, и вопрос «а точно ли модель видела то же самое» просто не возникает.
16. Свою же рекомендацию проверяй замером ДО того, как подать её в дизайн. Я предложил дисциплинировать банкноту частотным порогом («$0, снимает 82% лишнего») — и, посчитав частоты по всей книге, обнаружил, что самое частое слово выборки не термин (少年, 1149), а центральный концепт 光阴之河 — 15. Порога не существует; рекомендация снята собственной проверкой, а не ревью.
17. Считай язык ответа, а не только его правильность. Арм без якоря ⟦TM-CANON⟧ в одном прогоне из трёх ответил по-английски (22 строки из 40), и ни парсер, ни эхо-гейт этого не ловят. Находка появилась только потому, что я посчитал скрипт письма по всем 126 вызовам — метрика точности её не показывала.