这个面板回答三件事：现在在做什么、排队什么、之前做得怎样。agent 在每个题目上搜索更好的建模代码，最终要看官网分是否真的变好。第一次看，先读工作原理。
25 个问题未解除（P0 12）；19 项 harness 变更待验，其中只做到「已实现」17 项、回放验证 2 项，真实 run / 官网验证 0 项。
其中 44 条起草自文档、待用户核对。来源：notes/plan/issues.tsv（更新 2026-10-03）、notes/changelogs/harness_changes.tsv（更新 2026-10-03）。
2 个运行在跑
T2 心脏外推：自动搜索：多个节点轮流改程序、打分、挑最好的；接续上一环的结果继续搜索；按「proxy_noscale；终检 X2；护栏 proxy_noscale；诊断 proxy」给候选打分。
已跑 1 小时 52 分 / 预算 12 小时 · 新候选已评分 4 / 已生成 6 · 当前最好 54.1（3 次复测均分）
T2 全胚插值：自动搜索：多个节点轮流改程序、打分、挑最好的；接续上一环的结果继续搜索；按「proxy；终检 X2；护栏 proxy」给候选打分。
已跑 1 小时 53 分 / 预算 12 小时 · 新候选已评分 4 / 已生成 6 · 当前最好 63.0（3 次复测均分）
1 条运行链配置还没启动；15 个已结束的运行还没有官网分。
agent/configs/experiments/chain/t1_D_12h.yamlagent/configs/experiments/chain/t1_D_smoke2h.yamlagent/configs/experiments/chain/t2_embryo_interp_12h.yamlagent/configs/experiments/chain/t2_heart_extrap_12h.yamlagent/configs/experiments/g40_scale/heart_extrap_s015.yamlagent/configs/experiments/g40_scale/heart_extrap_s030.yamlagent/configs/experiments/g40_scale/heart_extrap_s045.yamlagent/configs/experiments/chain/t3_agent_12h.yamlagent/configs/experiments/g24_t2_t3/t3_komix_a.yamlagent/configs/experiments/g24_t2_t3/t3_komix_b.yamlagent/configs/experiments/g24_t2_t3/t3_komix_c.yaml这里的排队有两种：一是待启动的运行链（每个配置文件对应一个锁定运行，人或 Claude 手动 launch；一环结束后用 --continue-from 接下一环）；二是待提交的预测包（run 结束后由人挑选并上传官网）。run 内部还有节点排队等空闲名额，显示在「现在在做什么」里。
来源：agent/configs/experiments/{chain,g40_scale,g24_t2_t3}/*.yaml（运行链配置，与已有运行按配置名对照）、notes/changelogs/decisions.tsv（等待原因）、提交台账（待提交由「有终选、台账无官网分」推算）。项目里没有机器可读的排队表（G45 调度器未接线），所以「何时启动」只能写出文档里的原因，不预测时间。官网登录状态不在档案里，本页不显示；每日打分次数（P2 阶段每任务每天 8 次，10-20 起测试榜每榜整个阶段 2 次，见 notes/plan/README.md）是文档或会话信息，不是实时数据。
按题目看最近一次终选与官网分；官网分只来自提交台账。
| 题目 | 最近一次已结束的运行 | 终选 | 与基线比，一句话 |
|---|---|---|---|
| T1 验证（E8.5 + E9.5 → E10.5） 24 次运行 | t1_round2 / D 组 10-03 09:34 · 已结束 | 选中节点 n21 本地最好 56.8（3 次复测均分） | 官网 55.0，实测照抄基线 46.9，相差 +8.1（单次历史观察，不是受控结论）。 |
| T2 全胚插值 6 次运行 | G24 T2/T3 首跑 / D 组 10-03 09:42 · 已结束 | 选中节点 n15 本地最好 62.5（3 次复测均分） | 官网 61.7；这个榜还没有可确认的实测照抄基线，不能说好坏。 |
| T2 心脏外推 8 次运行 | G40 心脏外推尺度扫描 10-03 15:57 · 已结束 | 选中节点 n1 本地最好 50.0（3 次复测均分） | 这次运行还没有官网分。该榜已有的官网记录里最高 49.6。 档案核对：G24 T2/T3 首跑 / D 组 的终选护栏回退到了照抄基线。 本次选中的是尺度扫描种子，本地 50.0 与照抄基线同分：去掉尺寸项后（proxy_noscale）本地尺子看不见坐标缩放，只能靠官网配额判断（配置 g40_scale/*.yaml 注释记 VM 核对 50.00 / 50.00，来源是注释与 decisions.tsv，不是本页重算）。 |
| T2 心脏插值 5 次运行 | G24 T2/T3 首跑 / D 组 10-03 09:42 · 已结束 | 选中节点 n30 本地最好 68.3（3 次复测均分） | 这次运行还没有官网分。该榜已有的官网记录里最高 63.9。 |
| T3 Gata4 敲除 7 次运行 | 运行链 10-03 17:20 · 已结束 | 交出最终文件（单 Agent） 本地最好 87.0（单 Agent 自报的本地代理分） | 这次运行还没有官网分。该榜已有的官网记录里最高 53.4。 T3 没有可靠的本地尺子（留一基因尺子在 3 个官网点上完全反序，来源 notes/architecture/14 与 10 §5），所以本地分只作参考。 |
| 多个题目（早期单 Agent） | 1 次运行，还没有已结束并有终选的运行。 | ||
「照抄基线」= 把输入阶段原样当预测交上去（基线?copy_last：把最后一个输入阶段的细胞原样当预测交上去，是所有改进要超过的底线；我们流水线实测的官网分是 T1 46.9，不是评分器参考线 50。）；终选护栏?最后选程序时的把关：候选必须在没用过的新 seed 上稳定胜过照抄基线（T1 要求配对增益的单侧下界 > 0），否则交出照抄基线。要求候选在新 seed 上稳定胜过它才替换。怎么判断 · 完整校准
T1:val / 14 组预测记录
一份预测的官网分 实测照抄基线 46.9（本流水线把输入阶段原样提交的官网结果；评分器的 50 分参考线不是它）
每个点对应一份预测。按已知哈希合并重复记录；这是历史观察，不是框架排名。
今日用量 399.65 M token（输入 28.62 M / 输出 9.47 M / 缓存读 361.27 M），1466 次调用。用量与花费
近 48 小时 678.39 M token（按节点完成时刻归属，近似）这些是程序根据档案自动给出的观察，每条分「观察 / 提示 / 下一步验证」，只是线索，不是结论。
2 次运行最终由护栏选择基线。
提示当前候选未满足该 run 锁定的终选规则；这不等于整个方法族已经无效。
名词：护栏 · 基线
逐项查看被拒候选的收益与退化，再区分方法迁移问题和护栏设置问题。
7 次运行中，230/246 个有双尺子记录的新候选，proxy 与 proxy2 同分。
提示第二把尺子的额外区分度有限；同分不能证明代码或预测相同。
名词：proxy?替代题：用手头已知阶段造的本地考题，T1 是用 E8.5 预测 E9.5。 · proxy2?两输入替代题：官方 E8.5 + 外部 Qiu E9.0 预测 E9.5，给需要两个时间点的方法一个公平分数。 · 尺子?在本机就能算的分数（替代题、外部测试题等），用来在提交前估计官网分。
检查第二期输入是否影响预测，并用行为对照验证新尺子的区分能力。
8 次运行生成了至少 10 个新节点，但没有 draft 记录。
提示这是搜索操作覆盖的证据，还不能据此判断实际方法族数量。
名词：draft?搜索节点的一种操作：从空白开始，按方法族库换一个全新的方法族起草最小版本；另两种是 improve（在父节点上改结构）和 debug（修运行错误）。
验证新调度在真实运行中的方向覆盖，同时检查相同程序的重复探索。
11 次运行的新候选评分完成率低于 80%。
提示中断、候选错误与服务故障需要分别处理，不能统一归为模型失败。
沿失败节点检查原因，优先修复高频且可复现的损失。
已有 25 组带官网分的预测记录，已按题目和已知预测哈希去重。
提示这些结果是历史观察，不能直接当作框架的受控重复；缺失哈希的记录尚不能确认唯一性。
为下一轮冻结实验条件，每份新预测同时记录官网结果、本地评估上下文和实际胜者。
术语速查：proxy（本地替代题）· 尺子（本地打分的题）· 护栏（终选把关）· draft（新方向）· 基线（照抄上一阶段）· 运行链?每个题目一串锁定的 run（每环 12 或 24 小时），后一环用 --continue-from 导入前一环的节点、教训和未做完的工作。run 内不能改配置，改动只发生在两环之间。。完整说明见工作原理。