迭代报告?运行结束后自动生成的中文复盘报告（notes/reports/runs）。 2026-10-01_20260927-172643-grok-t1.md

迭代报告 · 20260927-172643-grok-t1

提交更新 · 榜 T1:val · 模式 agent · 配置 grok-t1 · 台账第 1 行（官网 47.2） 生成 2026-10-01 06:18 UTC · 写作 alibaba-token-plan-cn/qwen3.8-max · 事实包 facts/2026-10-01_20260927-172643-grok-t1.json

1. 本轮目的与改动

事实包未给出 purpose / hypothesis / config_comment。配置为 agent/configs/t1.yaml，lock 与配置不一致（config_file_matches_lock: false）。

相对上一 run（20260925-001829-grok-all-boards）的改动：

• boards：由 5 块板缩减为仅 T1:val。
• budget.max_restarts：3 → 6。
• budget.memory_max：新增 30G。
• name：grok-all-boards → grok-t1。
• prompts：method_cards.md → method_cards_t1.md。
• 文件变动：新增 36 个代码文件、3 个配置、1 个 prompt（agent/prompts/smoke.md）、3 个方法卡（method_cards_t1/t2/t3.md）、15 个脚本；删除 method_cards.md；修改 agent/prompts/initial_spec.md。

本 run 非续跑，无继承节点。

2. 结果（表：各尺子与官网）

提交更新行：官网 47.2；本地尺子 proxy 55.97、X1 46.79、X3 46.5646、X4 50.1414、X5 50.5133；校准差（官网 − 本地尺子）proxy −8.77、X1 +0.41、X3 +0.6354、X4 −2.9414、X5 −3.3133；相对地板 −2.8。

说明：本 run 共 5 个实验，均为单次 proxy 打分（无 rank3）。终选 heart_jcf_peri proxy 55.97，但官网仅 47.2，低于地板 50，校准差 −8.77 表明 proxy 尺子严重高估。

3. 是否超过噪声/是否算提升

不算提升。 口径：单次 proxy（seed0），噪声 2 分。本 run 为 agent 模式，无父子节点关系，各实验仅与本 run 最好实验（heart_jcf_peri，55.97）比较：

• heart_reweight（55.47）：差 −0.5，在噪声内。
• heart_e50_h13（54.32）：差 −1.65，在噪声内。
• heart_e10_h20（54.62）：差 −1.35，在噪声内。
• drop_edge（53.81）：差 −2.16，超过噪声（事实包标注 "below beyond noise"）。

官网 47.2 低于地板 50，相对地板 −2.8；相对本地 proxy 55.97 差 −8.77，远超噪声，说明本地 proxy 尺子不可信。

4. 有效与无效的方法（引用节点和 Analyst 经验）

有效：

• 解剖重加权（心脏侧 ×1.6、边缘 ×0.25、去 Neural Tube）在本地 proxy 上从 54.32–54.62 区间升至 55.47–55.97（heart_reweight → heart_jcf_peri），但官网校准显示该尺子高估 8.77 分，实际有效性存疑。
• 把 JCF/心包加入心脏侧权重，本地 proxy 从 55.47 升至 55.97（selection_md_excerpt 记录），共变分项从 53.6 升至 55.0。

无效/负结果：

• 更激进重加权（边缘 ×0.1、心脏 ×2.0，heart_e10_h20）本地 54.62，低于温和版；只删边缘组织（drop_edge）本地 53.81，为 5 个实验中最低，超噪声低于最好。
• 不加表达位移、仅改组成的策略在官网仅得 47.2（低于地板），说明仅靠组成调整不足以通过官方评测。

未定：

• X1（46.79）和 X3（46.56）与官网差仅 +0.41 和 +0.64，校准差极小；是否可作为更可信的本地尺子待后续 run 验证。

5. 异常与运维

无异常。关键数字：

• 运行状态：finished，exit_code 0，无超时，无重启。
• 轨迹：58 步，92 次工具调用（read 39、bash 30、write 12、glob 4、grep 4、edit 3）。
• Token：input 614337、output 24668、reasoning 64034。
• 错误事件：0。
• 墙钟：0.65 h，预算 8.0 h，使用 8.1%。
• 内存上限配置 30G，未触发 OOM。

6. 下一轮建议（具体到改哪个文件/参数）

1. 校准本地尺子：在 agent/configs/t1.yaml 中将搜索目标从单一 proxy 切换为多尺子加权（如 X1 权重 0.4、X3 权重 0.3、proxy 权重 0.3），因 X1、X3 与官网校准差仅 +0.41、+0.64，比 proxy（−8.77）更可信。预期看官网分数是否回升至地板以上。
2. 在方法卡中记录校准差：在 agent/prompts/method_cards_t1.md 新增一节"校准记录"，写入本次官网 47.2 对应 proxy 55.97、X1 46.79、X3 46.56，供后续 Analyst 判断时参考（不写入搜索目标或提示词中的优化目标）。
3. 增加表达建模实验：当前仅改组成，官网低于地板。下一轮在实验脚本中增加伪批量差值缩放（α ∈ {0.1, 0.2, 0.3}）的小规模筛选，用 scripts/score_t1_proxy.py 打分，同时用 X1/X3 交叉验证。预期看 X1、X3 是否 > 50。
4. 降低对单尺子的依赖：在 agent/configs/t1.yaml 的 promotion 段（若有）设置 top_k: 3 并要求入选实验至少在 2 个尺子上超过地板，避免单尺子虚高导致选错提交。

7. 需要人决定的问题

1. 是否继续以 T1:val 板为唯一搜索目标？ 本次官网 47.2 低于地板，若下一轮仍无法过地板，是否考虑转向 T2 板或调整任务定义？可选项：(a) 继续 T1 迭代；(b) 暂停 T1，转 T2:heart；(c) 同时跑 T1 + T2 双板。
2. 本地尺子选型：proxy 高估 8.77 分，X1/X3 校准差 < 1。是否正式将搜索主尺子从 proxy 切换为 X1 或 X3？可选项：(a) 切换为 X1；(b) 切换为 X3；(c) 保留 proxy 但加校准偏移 −8.77；(d) 多尺子投票。
3. 是否需要追加一次官网提交以验证 X1/X3 尺子？ 当前仅 1 次校准样本，置信度有限。可选项：(a) 下一轮结束后立即提交验证；(b) 等积累 3 个以上本地实验再提交；(c) 不额外提交，节省配额。
4. lock 与配置不一致（config_file_matches_lock: false）是否需要修复？ 可选项：(a) 重新生成 lock；(b) 忽略，下轮自动更新；(c) 人工检查差异后决定。

数字核对（程序生成）

• 核对数字 98 个：在事实包中找到 98 个，找不到 0 个。
• 下一轮建议里的参数提议（代码格式，不核对）4 个数字，3 处：0.4、0.3、top_k: 3
• 仓库与事实包里都找不到的路径 1 个（可能是编的，或是建议新建的文件）：method_cards_t1/t2/t3.md
• 建议把官网/校准信息写进搜索可见文件（提示词、方法卡、知识库）1 处，违反「官网不回流搜索」，请人工删改：第 68 行
• 写作调用：alibaba-token-plan-cn/qwen3.8-max {"thinking_budget": 8192}，69.4 s，tokens out 2096 reasoning 994，尝试 1 次