运行总览
共 97 次运行：正式 51 次（按实验分组），测试 46 次（折叠在下面）。点组名看运行详情；表头带 的词，鼠标停上去或点一下可看解释； 表格下方说明怎么读分数和各把尺子，页面底部有全部名词解释。时间为北京时间。页面不会自己刷新，想让它每 5 分钟自动更新请打开自动刷新版。
正在运行
2
正式 2 · 测试 0；共 97 次运行
今天已提交?今天写进提交账本的上传次数。
3
账本共 25 次上传
磁盘剩余?运行目录所在磁盘的剩余空间。
2.6 TB
已用 23%
本项目内存?Spark 上给本项目划出的资源份额，上限 96 GB。
47.7 GB / 96 GB
历史峰值 91.5 GB
近 24 小时：大模型调用失败?调用大模型接口报错或异常退出（不含超时和卡死）。 4 次，截止切断?run 的搜索截止前，harness 按计划终止仍在写代码的会话并交接，不是模型故障。 3 次，被中断 2 次。机器状态 →
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 →
名词解释
- 运行
- 一次完整的自动搜索或 Agent 会话，有自己的锁定配置和证据包。
- 实验
- 同一批、为同一个问题跑的几次运行，从配置名（如 g21q）或配置目录认出。
- 题目
- 比赛的哪道题、哪个阶段，例如 T1:val 是第 1 题的验证阶段。
- 自动搜索
- ERA 式搜索树，多个节点不断改进程序。
- 单 Agent
- 一个 Agent 会话从头做到尾。
- 测试
- 用假模型或冒烟配置跑的流程测试，不调用真实大模型（或只为验证流程），结果不能提交。
- 搜索目标
- 这次运行用哪几把尺子、按什么权重合成分数来比较节点；目标不同的运行，最佳分不能直接比。
- 终检
- 只在最后选定程序时测一次、不参与挑选的尺子，用来检查是否只是迎合了搜索目标。
- 启动中
- 已发出启动请求，正在锁定配置、固定输入数据（可能要几分钟），还没开始搜索。
- 已停止
- 有人主动停止了这次运行（systemctl stop 等），不是程序崩溃。
- 中途崩溃
- 记录显示还在运行，但后台服务和进程都已不在，也没有人为停止的记录。
- 已中止（未计入实验）
- 启动后被放弃、改名为 aborted-… 的运行，结果不算进任何实验。
- 启动中断
- 有启动请求，但还没锁定配置，进程就已不在。
- 已用时间 / 预算
- 预算是挂钟时间，包括终选。
- 代码有未提交改动
- 启动时代码仓库有未提交的修改，这次运行不能完全按 git 版本复现。
- 节点
- 搜索树里的每个候选程序。
- 已打分
- 程序正常跑完并拿到分数。
- 程序报错
- 候选程序运行时出错。
- 内存超限
- 用的内存超过上限被系统停止。
- 超时
- 超过时间上限被停止。
- 挂死
- 连续 30 分钟没有任何活动（CPU、GPU、输出、写文件、进度），被健康监督停止。
- 跨环续做
- 本环截止时 Engineer 还没做完，工作打包带到下一环继续。
- 格式不合格
- 输出文件不符合提交格式（基因、细胞数、坐标等）。
- 格式不合格
- 输出文件不符合提交格式（基因、细胞数、坐标等）。
- 打分失败
- 程序跑完了，但打分服务出错（连不上、超时或打分器异常），不算程序的错。
- 生成失败
- 会话没能产出可用的程序。
- 没有改动
- 这次会话没有对代码做任何修改。
- 被中断
- 因重启或大模型接口故障中断，不计入搜索。
- 机器内存紧张
- 整机内存紧张时被系统停止，不是程序本身的错，不计入搜索。
- 导入未重测
- 从以前的运行导入、尚未在新口径下重新打分，只作历史。
- 排队中
- 节点已创建，等待空闲名额。
- 调研中
- 大模型正在查资料、想改进思路。
- 编写中
- 大模型正在修改程序代码。
- 执行中
- 候选程序正在运行并打分。
- 当前最佳分
- 最佳节点在这次运行自己的搜索目标上的分数（有 3 次复测用均值，否则种子 0 单次）。目标不同的运行之间不能比，请看各尺子分。
- 最佳节点各尺子分
- 同一个最佳节点在每把尺子上的分数；同一把尺子的列可以跨运行比较（注意真值 B 半和全部真值的区别）。
- 真值 B 半
- G23 起，每把尺子的真值分成两半：工程师自测只能用 A 半，搜索打分用 B 半，防止程序迎合打分数据。
- 官网分
- 官网 P2 返回的真实分数。
- 本地尺子
- 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。
- 3 次复测均分
- 最终选出的程序换 3 个随机种子各跑一次替代题，取平均，比单次分更稳。
- 排序一致性
- 本地尺子和官网分数的排序有多一致：1 表示完全一致，0 表示无关，负数表示相反；至少 3 个有官网分的点才计算。
- 参考线 50
- 评分器的归一化参考线，不等于我们实际抽样照抄程序的官网分。
- 天花板 100
- 真实答案一半对另一半的分数。
- 预测文件指纹
- 提交文件的 sha256 前 12 位，用来确认是哪一份预测。
- 本项目内存
- Spark 上给本项目划出的资源份额，上限 96 GB。
- 后台服务
- 在 Spark 上以 systemd 用户服务运行的程序，例如每次运行和这个看板本身。
- 卡死重启
- 大模型调用长时间没有任何输出，被自动终止并重试。
- 熔断
- 大模型接口连续出错时自动暂停新任务。
- 大模型调用失败
- 调用大模型接口报错或异常退出（不含超时和卡死）。
- 截止切断
- run 的搜索截止前，harness 按计划终止仍在写代码的会话并交接，不是模型故障。
- 限流
- 大模型接口提示请求太频繁，等待后重试。
- 对比
- 把几次运行并排放：配置改了什么、结果差多少、分数随时间怎么涨。
- 接续自
- 这次运行从另一次运行的搜索树接着搜，导入了那次的节点。
- 不在本机
- 只在实验登记表里有记录，运行目录不在这台机器上，只能显示登记的信息。
- 终选程序
- 按该运行锁定的规则最终选出的程序；可能是候选节点，也可能由护栏回退到基线。
- 来历
- 终选程序从种子程序一步步改过来的路径，每一步都写了改了什么、分数变了多少。