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_20261001-114429-search-t1-g18-continue.md

迭代报告 · 20261001-114429-search-t1-g18-continue

run 报告 · 榜 T1:val · 模式 search · 配置 search-t1-g18-continue 生成 2026-10-01 06:12 UTC · 写作 alibaba-token-plan-cn/qwen3.8-max · 事实包 facts/2026-10-01_20261001-114429-search-t1-g18-continue.json

1. 本轮目的与改动

目的：G18 acceptance 3——从 20261001-032558-search-t1-spark-c3 续跑一次短搜索（3 新节点、concurrency 3、qwen3.8-max），验证续跑流程与 promotion 机制。节点得分 = 0.5 proxy + 0.5 proxy2，promotion 取 top 5 用 seeds 1、2 复测。

继承自 20261001-032558-search-t1-spark-c3（9 节点），全部 9 个导入节点在启动时重打分（continue_rescore_top_k: 20），重打分结果与原分数完全一致（差值均为 0.0）。fingerprint_diff 包含 candidate_modeling、proxy_weights、scorer_snapshot_hash、views，故标记为不可比（comparable: false）。

主要配置改动（vs 上一 run）：

• 新增 promotion（enabled、seeds [1,2]、top_k 5、max_concurrent 1）
• 新增 scoring.proxy_weights（proxy 0.5 / proxy2 0.5）、scoring.engine: "fast"、scoring.threads: 4、scoring.proxy_cache
• budget.wall_clock_hours 3.0→2.0、budget.max_nodes 6→3、budget.final_reserve_minutes 45→30
• scoring.memory_max_by_task.T1:val 36G→12G
• 新增 research.lit_search（enabled、7 个 sources、max_queries 3）
• 新增 research.knowledge_exclude: ["k014"]
• models.researcher.options.thinking_budget → 8192
• 新增 stall_seconds: 180.0

文件变动：代码 18 改 14 增（含 agent/search/continuation.py、modeling/src/common/evaluation/fast_proxy.py 等）；知识库 1 改 34 增（agent/knowledge/ 下新增 k031–k063）；ideas 1 改（agent/prompts/ideas_T1__val.md）；prompts 3 改（agent/prompts/researcher_spec.md、review_spec.md、search_spec.md）；configs 1 改 6 增。

2. 结果（表：各尺子与官网）

proxy 与 proxy2 在全部 12 个 scored 节点上逐位相同（rulers_identical_on_all_scored_nodes）。本轮未提交官网。外部测试 X1 所有候选均低于地板 50.0（节点 8/11：48.119，低于地板 1.881；节点 10：47.1038，低于地板 2.8962）。校准台账仅有一条历史记录（20260927-172643-grok-t1，官网 47.2，official_minus_ruler proxy −8.77、X1 +0.41）。

3. 是否超过噪声/是否算提升

不算提升。 比较口径为 rank3（3-seed 均值）。本轮新节点最好（节点 11，rank3 58.1291）与开始前最好（节点 8，rank3 58.1291）差值为 0.0，exceeds_noise: false，verdict: "within noise"。噪声约 2 分（来源 agent/prompts/analyst_spec.md）。

逐新节点 vs 父节点（seed0 口径）：

• 节点 10 vs 父 9：+0.1134，噪声内
• 节点 11 vs 父 8：+0.0（逐位一致），噪声内
• 节点 12 vs 父 4：+1.7884，噪声内（<2）

三个新节点均未超过噪声门槛。

4. 有效与无效的方法（引用节点和 Analyst 经验）

有效

• 节点 8（导入）：类内 E2F 增殖打分反向加权无放回抽样（θ=0.5），cell_state +4.54、direction +2.19 vs 父 2；rank3 58.1291 为全树最高。Analyst 经验：选低增殖（成熟端）方向正确，峰值约 θ=0.5；配对 u_i 设计有效压低抽样噪声。
• 节点 12（新）：移植节点 9 的类内成熟度加权抽样到新父本（节点 4），独立复现 3-seed 均值 57.48 ≈ 节点 9 的 57.42，cell_state +3.70、direction +2.36 vs 父 4。Analyst 经验：方法可迁移，但 de_recovery 仍不动。

无效/负结果

• 节点 11（新）：跨阶段 δ 秩投影（两输入视图）与深度残差化增殖分两个部件均未过预注册门槛，默认全关，输出与父节点 8 逐位一致（d=0.0）。Analyst 经验：δ 与 E2F 打分共线（cos≈+0.13），冗余无增益；深度残差化后 cell_state 大跌（59.5–60.7 vs 61.4），路线证伪。
• 节点 10（新）：成熟轴 EB 收缩斜率乘法位移（s=0.10），seed0 仅 +0.1134 vs 父 9，远低于噪声。Analyst 经验：重加权与乘法位移共享同一条成熟推力，两杠杆不正交；且纯抽样/重标定路线无法抬 de_recovery。
• 节点 12 的跨阶段伪批量位移分支（Qiu E9.0）：α=0→0.5→1.0 在 proxy2 单调降（57.76→56.78→55.91），实测有害，默认 α=0 关闭。Analyst 经验：scArches 式批校假设不成立，残留类型×技术交互盖过 0.5 天时间信号。

未定

• 节点 12 的 θ=1.0 变体：de_score 反降（0.111→0.056），提示更成熟≠更对的 DE，但仅单次观测，未做 3-seed 确认。

5. 异常与运维

无异常。关键运行数字：

• 状态 finished，exit_code 0，无中断、无 OOM、无熔断、无日志告警（log_warnings_count: 0）
• 运行时长 0.67 h / 预算 2.0 h（用 33.6%）；final 阶段启动时剩余 81.6 min
• 节点执行：3 个新节点共 77.6 min（均值 25.9、最大 33.8）；代码执行 3.2 min（均值 1.1）
• Promotion：8 次，共 12.6 min（均值 1.6、最大 2.1）
• 角色耗时：Engineer 3 calls / 59.1 min（均值 19.7）；Researcher 3 calls / 12.5 min；Analyst 4 calls / 2.9 min；Reviewer 2 calls / 3.0 min
• Engineer slot 利用率 48.8%（concurrency 3）
• slice 内存峰值 79.47 GB，最低可用 76.9 GB
• egress_denied 24 次（目标 models.opencode.ai、registry.npmjs.org），未影响运行
• 单节点运行峰值内存 ≤1.71 GB、耗时 ≤2.3 s（节点 7），无资源瓶颈
• 工作区标记 dirty: true、submittable: false

6. 下一轮建议（具体到改哪个文件/参数）

1. 组成侧手调参数网格：修改 agent/prompts/ideas_T1__val.md，新增 HEART_WEIGHT ∈ {1.3, 1.6, 2.0} × EDGE_WEIGHT ∈ {0.1, 0.25, 0.5} 网格（叠加在 β=0.5 / θ=0.5 基座上），每点 3-seed，接受条件 rank3 差 ≥ +2 且 de_recovery 不降。依据：组成是唯一被证明有效的杠杆（49.77→55.97），尚未系统扫过；预期看 proxy/proxy2（当前逐位相同）及 covariation（55.67，第二弱组）。
2. de_recovery 需表达合成而非重标定：在 agent/prompts/ideas_T1__val.md 中添加方向：在类型内用两阶段 δ2 筛 |δ2| top-N（N≈200–500）基因，按 exp(c·δ2_g)（c∈{0.1, 0.2}）做乘法位移。Analyst 经验明确"重标定真实细胞无法抬 de_recovery"（节点 9、10、12 三节点实测 ±0）。预期看 de_recovery（当前 52.53，地板 50.0）。
3. 解决 proxy≡proxy2 逐位相同问题：检查 agent/configs/search_t1_g18_continue.yaml 中 scoring.proxy_weights 与 views 配置。当前 12 个节点两尺子完全相同，等于 0.5+0.5 退化为单尺子，双尺子设计无信息增量。若确认是配置/代码问题，修复后重跑 1 个节点验证。
4. θ 细网格确认：在 agent/prompts/ideas_T1__val.md 添加 θ ∈ {0.4, 0.5, 0.6} × 3-seed 细网格（基座为节点 8），仅当 3-seed 均值差 >2 才换 θ。Analyst 经验：θ 峰值约 0.5，证据强度为"弱过线"（节点 8，3-seed +2.07 刚过自设门槛）。预期看 rank3。
5. 降低 Engineer 单节点耗时：当前 Engineer 均值 19.7 min / 最大 28.3 min，占运行主体。可在 agent/prompts/search_spec.md 中收紧 Engineer 查分协议（如强制粗筛 ≤4 次即定方向、出货前必须 3-seed），减少无效网格。预期看 timing.roles.engineer.mean_min。

7. 需要人决定的问题

1. 是否修复/启用真正的双尺子？ 当前 proxy 与 proxy2 在全部 12 节点逐位相同，scoring.proxy_weights 形同虚设。选项：(a) 排查 fast_proxy.py 或 view 配置，使 proxy2 使用不同输入视图（如 Qiu E9.0）；(b) 确认设计如此，去掉 0.5/0.5 权重简化目标为单 proxy。
2. 节点 8 是否值得提交官网？ 当前 submittable: false（dirty），rank3 58.1291，外部 X1 48.119（低于地板 1.881）。历史校准显示官网比 proxy 低约 8.77 分。选项：(a) 清理 dirty 状态后提交，获取第二个校准点；(b) 暂不提交，等 de_recovery/外部测试改善后再提。
3. 是否将 research.knowledge_exclude: ["k014"] 永久化？ k014 是噪声定义条目（"T1 约 2 分"），当前被排除在 Researcher 可见知识外。选项：(a) 保持排除（避免 Researcher 把噪声值当作搜索目标）；(b) 恢复（让 Researcher 知道噪声以合理设定门槛）。
4. 续跑可比性标记为 false，是否接受？ fingerprint_diff 包含 proxy_weights、views、scorer_snapshot_hash、candidate_modeling，导致本 run 与父 run 不可比。选项：(a) 接受，后续续跑不再依赖可比性；(b) 固定打分指纹（锁定 fast_proxy.py 哈希），使续跑可比。

数字核对（程序生成）

• 核对数字 217 个：在事实包中找到 217 个，找不到 0 个。
• 写作调用：alibaba-token-plan-cn/qwen3.8-max {"thinking_budget": 8192}，120.0 s，tokens out 3225 reasoning 2093，尝试 1 次