运行档案 / T1:val / 10-01 13:59
G23 验收
先看终选决定，再沿节点查看方法、代码改动和对话证据。
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。
n2
本运行目标 53.10（种子 0 单次），还在搜索，暂时最好
节点?搜索树里的每个候选程序。
8
已打分 3
官网分?官网 P2 返回的真实分数。
—
还没有提交或还没有分数
大模型调用次数?各角色（调研员、工程师、分析员、审查员）调用大模型的次数。
5
调研员 5
实际结果与评分依据
搜索目标、护栏和诊断分开阅读。不同真值分片或 seed 的同名尺子保留各自记录。
| 分数 | 均值 | ± 标准差 | 次数 |
|---|---|---|---|
| 搜索目标分 | 53.10 | — | 1 |
| proxy | 56.23 | — | 1 |
| proxy2 | 56.23 | — | 1 |
| X3 | 46.85 | — | 1 |
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。
括号里的分差只表示变化方向，不代表统计显著性。
seed heart_jcf_peri
搜索目标分 53.10 · proxy 56.23 · proxy2 56.23 · X3 46.85 · 3 次复测均分 53.26
审查意见?审查员（Reviewer）检查程序是否越界读取、写死目标或钻评分器漏洞后的意见。 通过 seed (human-written, locked)
搜索树?每个点是一个节点，连线从父节点指向子节点；颜色表示结果。
蓝色粗线是来历路径；鼠标停在点上看节点，点一下打开节点页。
已打分?程序正常跑完并拿到分数。编写中?大模型正在修改程序代码。
搜索分数的变化?横轴是从运行开始算起的分钟数，纵轴是到那时为止最好的搜索目标分。
全部节点与对话（8）
| 节点 | 父节点 | 操作?种子：人写的起点；改进：在父节点上改；草稿：从头写；修复：修父节点的报错。 | 状态 | 搜索目标分?搜索用来比较节点的分数（各把尺子按权重合成，种子 0 单次）。 | 比父节点?这个节点的分数减去它父节点的分数；正数是变好。 | 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。 | X3?用外部公开数据造的同类型题。 | 3 次复测?换 3 个随机种子各跑一次取平均 ± 标准差，比单次分更稳。 | 审查 | 用时?从运行开始到结束（或到现在）的挂钟时间。 | 方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| n1 | — | 种子 | 已打分 | 50.0 | — | 50.0 | 50.0 | 50.0 | 49.7 | 通过 | 不到 1 分 | seed copy_last |
| n2 | — | 种子 | 已打分 | 53.1 | — | 56.2 | 56.2 | 46.8 | 53.3 | 通过 | 不到 1 分 | seed heart_jcf_peri |
| n3 | — | 种子 | 已打分 | 46.9 | — | 50.0 | 50.0 | 40.5 | 46.6 | 通过 | 不到 1 分 | seed pseudobulk_shift |
| n4 | n2 | 改进 | 编写中 | — | — | — | — | — | — | 未审查 | — | — |
| n5 | n1 | 改进 | 编写中 | — | — | — | — | — | — | 未审查 | — | — |
| n6 | n3 | 改进 | 编写中 | — | — | — | — | — | — | 未审查 | — | — |
| n7 | n2 | 改进 | 编写中 | — | — | — | — | — | — | 未审查 | — | — |
| n8 | n2 | 改进 | 编写中 | — | — | — | — | — | — | 未审查 | — | — |
资源消耗与失败情况
没有失败节点
| 角色?调研员写计划、工程师改代码、分析员解读分数、审查员检查作弊。 | 大模型调用次数 | 失败 | 总用时 | 输入 token 数?输入 / 输出（含思考）的 token 数，来自接口返回的用量。 | 输出 token |
|---|---|---|---|---|---|
| 调研员 | 5 | 0 | 10 分 | 48,219 | 30,227 |
运行配置与来源
| 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。 | 20261001-135922-search-t1-g23-spark 10-01 13:59 · 自动搜索 · T1:val · G23 验收 |
|---|---|
| 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。 | T1:val |
| 方式?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。 | 自动搜索 |
| 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。 | proxy+proxy2+X3 等权；终检 X1 |
| 状态 | 已停止 |
| 开始 / 结束 | 10-01 13:59 / 10-01 14:05 |
| 用时 | 5 分 / 预算 1 小时 |
| 所在副本?运行目录所在的代码副本（Spark 上 ~/vec 下的哪个目录）。 | g23_wt |
| 目的?这次运行为了回答什么问题，写在配置文件里。 | [回填] G23 acceptance (also the G7 concurrency test): a 1-hour real T1 run on the DGX Spark, concurrency 5, qwen3.8-max. Temporary objective until G21 decides: equal weights proxy / proxy2 / X3 (truth half B), holdout X1 (final only). harness.py launch --config agent/configs/search_t1_g23_spark.yaml [--allow-dirty] |
出处?这次运行用的代码、配置、数据和模型的指纹，靠它们可以原样找回并复现。
| 代码版本?运行锁定时代码仓库的 git 提交号；带 +dirty 表示当时有未提交的改动。 | e8d2570dc26d3e72d3a62f4efe30f0afeced8ed7 代码有未提交改动 |
|---|---|
| 版本标签?可提交运行在锁定的提交上打的 git 标签 run/<运行编号>，以后能原样找回代码。 | — |
| 配置文件 | agent/configs/search_t1_g23_spark.yaml 配置指纹 bb8c46c2a74effe3 |
| 锁定指纹?启动时把配置、代码、提示词等全部锁定后算出的总指纹。 | 7ac4fd8df7ab88ea 锁定格式 v7 |
| 运行专用代码副本?启动时为这次运行单独检出的一份只读代码；运行全程只读它，不受主副本更新影响。 | 没有（这次运行早于运行专用代码副本功能，读的是启动时的代码副本） |
| 打分口径指纹?打分器、数据视图、种子等合起来的指纹；指纹相同，分数才能直接比较。 | cb5e01b153b197bf |
| 数据视图指纹?程序能看到的输入数据文件的指纹，按视图汇总成一个短指纹。 | final：22 个文件，指纹 edb68fc794d79881 proxy：18 个文件，指纹 166d21c45cc35ede proxy2：20 个文件，指纹 3a64c6f141374179 test：38 个文件，指纹 f706ad2858ee7264 |
| 大模型?每个角色用的大模型；括号里是接口实际报告的模型名。 | 分析员：alibaba-token-plan-cn/qwen3.8-max （接口报告 qwen3.8-max） 工程师：alibaba-token-plan-cn/qwen3.8-max （接口报告 qwen3.8-max） 调研员：alibaba-token-plan-cn/qwen3.8-max （接口报告 qwen3.8-max） 审查员：alibaba-token-plan-cn/qwen3.8-max （接口报告 qwen3.8-max） |
| 运行目录 | /home/spark-longxinyang/vec/g23_wt/agent/runs/20261001-135922-search-t1-g23-spark 主机 spark-ad3f |
| 提交账本?notes/changelogs/submissions.tsv：每次上传官网的记录和返回的官网分。 | 这次运行没有提交过官网 |
| 迭代报告?运行结束后自动生成的中文复盘报告（notes/reports/runs）。 | 还没有迭代报告 |