textmachine/eval/README.md

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.

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 провизорен — exp04 §Оговорки
coverage_precision.py, content_filter_probe.py	exp07 precision гейта (0 FP/57)
cost_model_v2.py	exp08 COGS (~$0.69/ранобэ)	цены датировать и перепроверять
extract_bench.py	exp06 экстракция терминов (спот=локаль/рендер=облако)	health-верификация каждого ответа — образец
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. Инъекция = зеркало memory.go — при расхождении верить Go (D16 лендится — пере-сверить). 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

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/.

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