运行档案 / T1:val / 10-02 03:42
A/B/C 框架对比 / C 组
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。
n58
本运行目标 52.72（种子 0 单次）
节点?搜索树里的每个候选程序。
61
已打分 60
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。
254
分析员 60、native 180、审查员 14
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。
| 尺子 | 用途 | 分数 | 评分上下文 |
|---|---|---|---|
| X3 | 搜索目标复测 | 50.0 | 真值 B 半 / 3 个 seed均值 |
| proxy | 搜索目标复测 | 54.1 | 真值 B 半 / 3 个 seed均值 |
| proxy2 | 搜索目标复测 | 54.1 | 真值 B 半 / 3 个 seed均值 |
| X1 | 终检诊断 | 50.2 | 全部真值 / 1 个 seed单次 |
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。
n9 草稿
改了什么
搜索目标分 51.40 · proxy 53.57 · proxy2 53.57 · X3 47.06 · 3 次复测均分 51.75
分析员结论?分析员（Analyst）看完分数后写下的第一条经验。：在 T1 中，用 include_external=False 只取官方输入阶段可以避免外部阶段（如 proxy2 的 Qiu E9.0）标签体系不匹配导致的崩溃/严重失分，proxy2 从 27.43 升到 53.57。
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 1 越界读取：未发现问题——run.py 全部 IO 经由 src.task1_temporal.view_io（load_manifest/panel_genes/read_stage/write_prediction，run.py:19-27,61-68,80），无绝对路径、`..`、/mnt、/home、data/raw、打分器路径，无联网下载。; 2 硬编码目标统计量：未发现问题——只有按名称正则的类型族权重（heart ×1.
↓
n20 改进
改了什么
搜索目标分 51.78（+0.4） · proxy 53.19（-0.4） · proxy2 53.19（-0.4） · X3 48.95（+1.9） · 3 次复测均分 52.15
分析员结论：榜分 +0.38、各分组变化均 <2 分（T1 噪声），不能宣称分层抽样或 EB 收缩有效；covariation 反而 -1.40，与'分层抽样保协方差'的预期相反（节点 14 的 covariation 50.79 也并未超过父节点 51.96）。
↓
n40 改进
改了什么
搜索目标分 52.42（+0.6） · proxy 53.65（+0.5） · proxy2 53.65（+0.5） · X3 49.96（+1.0） · 3 次复测均分 52.65
分析员结论：在分层无放回抽样框架下移除逐基因 EB 收缩位移：covariation +2.31、de_recovery 仅 +0.35（噪声内），说明该位移在本 proxy 上是净负担——它没换来 de_recovery 收益，却压低了协方差保真度。
审查意见 通过 1 未发现问题：run.py 仅通过 src.task1_temporal.view_io 的 load_manifest/read_stage 读取 args.data 下 manifest 列出的输入阶段（run.py:68-76），无绝对路径、'..'、/mnt、/home、data/raw、打分器路径，无网络访问，未读取目标阶段文件。; 2 未发现问题：家族权重（heart=1.5 / reduced=0.2 / gut=0.9
↓
改了什么
搜索目标分 52.61（+0.2） · proxy 53.93（+0.3） · proxy2 53.93（+0.3） · X3 49.96（+0.0） · 3 次复测均分 52.72
分析员结论：稀疏矩阵上用 ||x||²-2x·c+||c||² 计算到质心距离替代 todense()，在 T1 数据上内存峰值降约 21%（1.60→1.26 GB）且分数不变，是零风险的内存优化。
审查意见 通过 检查1（越界读取）：未发现问题。run.py 只通过 src.task1_temporal.view_io 的 load_manifest/read_stage/panel_genes 读取 --data 视图内路径，全文件 grep 无绝对路径、'..'、/mnt、/home、data/raw、downloads、评分器路径或联网调用。; 检查2（硬编码目标统计量）：未发现问题。run.py:35-57 只有按细胞类型名正则的家族规则
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。程序报错?候选程序运行时出错。
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（61）
| 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 | 39.3 | — | 50.0 | 27.4 | 40.5 | 39.4 | 通过 | 不到 1 分 | seed pseudobulk_shift |
| n2 | n1 | 改进 | 已打分 | 46.3 | +7.0 | 49.2 | 49.2 | 40.5 | 46.7 | 未审查 | 6 分 | 改了什么 |
| n3 | n1 | 改进 | 已打分 | 47.1 | +7.7 | 49.3 | 49.3 | 42.7 | 47.6 | 通过 | 5 分 | 改了什么 |
| n4 | n3 | 改进 | 已打分 | 48.2 | +1.1 | 49.3 | 49.3 | 46.1 | 48.7 | 通过 | 9 分 | 改了什么 |
| n5 | n1 | 改进 | 已打分 | 47.4 | +8.1 | 49.3 | 49.3 | 43.8 | 48.0 | 未审查 | 7 分 | 改了什么 |
| n6 | n2 | 改进 | 已打分 | 45.1 | -1.2 | 46.8 | 46.8 | 41.8 | — | 未审查 | 17 分 | 改了什么 |
| n7 | n4 | 改进 | 已打分 | 48.6 | +0.4 | 49.2 | 49.2 | 47.4 | 49.3 | 未审查 | 7 分 | 改了什么 |
| n8 | n3 | 改进 | 已打分 | 48.5 | +1.4 | 49.0 | 49.0 | 47.4 | 48.9 | 未审查 | 7 分 | 改了什么 |
| n9 | — | 草稿 | 已打分 | 51.4 | — | 53.6 | 53.6 | 47.1 | 51.8 | 通过 | 7 分 | 改了什么 |
| n10 | n7 | 改进 | 已打分 | 48.6 | -0.0 | 49.2 | 49.2 | 47.4 | — | 未审查 | 31 分 | 改了什么 |
| n11 | n8 | 改进 | 已打分 | 49.3 | +0.9 | 49.5 | 49.5 | 49.0 | 49.7 | 未审查 | 6 分 | 改了什么 |
| n12 | n4 | 改进 | 已打分 | 49.1 | +0.9 | 49.1 | 49.1 | 49.2 | 49.6 | 未审查 | 7 分 | 改了什么 |
| n13 | n9 | 改进 | 已打分 | 50.8 | -0.6 | 53.5 | 53.5 | 45.4 | 51.0 | 通过 | 7 分 | 改了什么 |
| n14 | n11 | 改进 | 已打分 | 51.9 | +2.5 | 53.1 | 53.1 | 49.3 | 52.2 | 通过 | 5 分 | 改了什么 |
| n15 | n4 | 改进 | 已打分 | 51.0 | +2.7 | 53.4 | 53.4 | 46.1 | 51.1 | 未审查 | 6 分 | 改了什么 |
| n16 | — | 草稿 | 已打分 | 48.3 | — | 50.0 | 50.0 | 44.9 | — | 未审查 | 6 分 | 改了什么 |
| n17 | — | 草稿 | 已打分 | 48.2 | — | 49.6 | 49.6 | 45.5 | — | 未审查 | 5 分 | 改了什么 |
| n18 | n9 | 改进 | 已打分 | 51.2 | -0.2 | 53.3 | 53.3 | 47.1 | 51.4 | 未审查 | 7 分 | 改了什么 |
| n19 | n11 | 改进 | 已打分 | 52.1 | +2.8 | 53.5 | 53.5 | 49.3 | 52.1 | 通过 | 7 分 | 改了什么 |
| n20 | n9 | 改进 | 已打分 | 51.8 | +0.4 | 53.2 | 53.2 | 49.0 | 52.1 | 未审查 | 4 分 | 改了什么 |
| n21 | n13 | 改进 | 已打分 | 51.4 | +0.6 | 53.6 | 53.6 | 47.1 | — | 未审查 | 6 分 | 改了什么 |
| n22 | n11 | 改进 | 已打分 | 51.6 | +2.3 | 52.7 | 52.7 | 49.4 | 52.0 | 未审查 | 7 分 | 改了什么 |
| n23 | n15 | 改进 | 已打分 | 52.1 | +1.2 | 53.5 | 53.5 | 49.4 | 52.1 | 通过 | 6 分 | 改了什么 |
| n24 | n21 | 改进 | 已打分 | 51.9 | +0.5 | 53.2 | 53.2 | 49.3 | — | 未审查 | 5 分 | 改了什么 |
| n25 | n11 | 改进 | 已打分 | 52.2 | +2.9 | 53.8 | 53.8 | 48.9 | 52.2 | 通过 | 4 分 | 改了什么 |
| n26 | n19 | 改进 | 已打分 | 52.1 | -0.0 | 53.5 | 53.5 | 49.2 | — | 未审查 | 7 分 | 改了什么 |
| n27 | n18 | 改进 | 已打分 | 51.1 | -0.1 | 53.6 | 53.6 | 46.0 | — | 未审查 | 6 分 | 改了什么 |
| n28 | n9 | 改进 | 已打分 | 50.9 | -0.5 | 53.6 | 53.6 | 45.6 | — | 未审查 | 7 分 | 改了什么 |
| n29 | n14 | 改进 | 已打分 | 49.2 | -2.6 | 49.1 | 49.1 | 49.5 | — | 未审查 | 4 分 | 改了什么 |
| n30 | n9 | 改进 | 已打分 | 52.1 | +0.7 | 53.2 | 53.2 | 50.0 | 52.5 | 未审查 | 5 分 | 改了什么 |
| n31 | n11 | 改进 | 已打分 | 52.0 | +2.7 | 54.1 | 54.1 | 47.7 | — | 未审查 | 5 分 | 改了什么 |
| n32 | n22 | 改进 | 已打分 | 51.9 | +0.2 | 53.1 | 53.1 | 49.3 | — | 未审查 | 4 分 | 改了什么 |
| n33 | n30 | 改进 | 已打分 | 52.1 | +0.0 | 53.2 | 53.2 | 50.0 | — | 未审查 | 6 分 | 改了什么 |
| n34 | n14 | 改进 | 已打分 | 52.0 | +0.1 | 53.3 | 53.3 | 49.3 | — | 未审查 | 6 分 | 改了什么 |
| n35 | n30 | 改进 | 已打分 | 52.3 | +0.2 | 53.4 | 53.4 | 50.0 | 52.5 | 通过 | 3 分 | 改了什么 |
| n36 | n14 | 改进 | 已打分 | 52.1 | +0.2 | 53.1 | 53.1 | 50.0 | — | 未审查 | 5 分 | 改了什么 |
| n37 | n30 | 改进 | 已打分 | 52.2 | +0.1 | 53.3 | 53.3 | 50.0 | 52.4 | 未审查 | 4 分 | 改了什么 |
| n38 | n36 | 改进 | 程序报错 | — | — | — | — | — | — | 未审查 | 1 分 | 改了什么 |
| n39 | n38 | 修复 | 已打分 | 52.3 | — | 53.5 | 53.5 | 50.0 | 52.6 | 通过 | 5 分 | 改了什么 |
| n40 | n20 | 改进 | 已打分 | 52.4 | +0.6 | 53.7 | 53.7 | 50.0 | 52.6 | 通过 | 4 分 | 改了什么 |
| n41 | — | 草稿 | 已打分 | 50.0 | — | 50.0 | 50.0 | 50.0 | — | 未审查 | 10 分 | 改了什么 |
| n42 | n30 | 改进 | 已打分 | 52.1 | +0.0 | 53.2 | 53.2 | 50.0 | — | 未审查 | 5 分 | 改了什么 |
| n43 | n23 | 改进 | 已打分 | 51.6 | -0.6 | 53.5 | 53.5 | 47.7 | — | 未审查 | 2 分 | 改了什么 |
| n44 | — | 草稿 | 已打分 | 48.5 | — | 50.5 | 50.5 | 44.6 | — | 未审查 | 7 分 | 改了什么 |
| n45 | n14 | 改进 | 已打分 | 52.4 | +0.6 | 53.7 | 53.7 | 50.0 | 52.6 | 通过 | 4 分 | 改了什么 |
| n46 | n14 | 改进 | 已打分 | 51.1 | -0.8 | 53.1 | 53.1 | 47.1 | — | 未审查 | 5 分 | 改了什么 |
| n47 | — | 草稿 | 已打分 | 48.1 | — | 50.8 | 50.8 | 42.8 | — | 未审查 | 12 分 | 改了什么 |
| n48 | — | 草稿 | 已打分 | 48.2 | — | 50.0 | 50.0 | 44.7 | — | 未审查 | 7 分 | 改了什么 |
| n49 | — | 草稿 | 已打分 | 48.1 | — | 50.0 | 50.0 | 44.2 | — | 未审查 | 8 分 | 改了什么 |
| n50 | n36 | 改进 | 已打分 | 52.4 | +0.3 | 53.6 | 53.6 | 50.0 | — | 未审查 | 4 分 | 改了什么 |
| n51 | n39 | 改进 | 已打分 | 52.2 | -0.2 | 53.2 | 53.2 | 50.0 | — | 未审查 | 6 分 | 改了什么 |
| n52 | n14 | 改进 | 已打分 | 52.1 | +0.2 | 53.1 | 53.1 | 50.0 | — | 未审查 | 6 分 | 改了什么 |
| n53 | — | 草稿 | 已打分 | 46.9 | — | 50.0 | 50.0 | 40.5 | — | 未审查 | 4 分 | 改了什么 |
| n54 | n44 | 改进 | 已打分 | 52.4 | +3.9 | 53.7 | 53.7 | 50.0 | — | 通过 | 4 分 | 改了什么 |
| n55 | n40 | 改进 | 已打分 | 52.4 | +0.0 | 53.7 | 53.7 | 50.0 | — | 未审查 | 5 分 | 改了什么 |
| n56 | n14 | 改进 | 已打分 | 52.4 | +0.6 | 53.7 | 53.7 | 50.0 | — | 未审查 | 7 分 | 改了什么 |
| n57 | n30 | 改进 | 已打分 | 52.2 | +0.1 | 53.7 | 53.7 | 49.2 | — | 未审查 | 9 分 | 改了什么 |
| n58 | n40 | 改进 | 已打分 | 52.6 | +0.2 | 53.9 | 53.9 | 50.0 | 52.7 | 通过 | 7 分 | 改了什么 |
| n59 | — | 草稿 | 已打分 | 47.5 | — | 50.0 | 51.8 | 40.5 | — | 未审查 | 8 分 | 改了什么 |
| n60 | n30 | 改进 | 已打分 | 52.3 | +0.2 | 53.7 | 53.7 | 49.5 | — | 未审查 | 4 分 | 改了什么 |
| n61 | n12 | 改进 | 已打分 | 52.4 | +3.3 | 53.7 | 53.7 | 50.0 | — | 未审查 | 4 分 | 改了什么 |
资源消耗与失败情况
程序报错 1
| 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 |
|---|---|---|---|---|---|
| 分析员 | 60 | 0 | 35 分 | 444,233 | 85,458 |
| native | 180 | 0 | 4 小时 14 分 | 4,172,631 | 686,735 |
| 审查员 | 14 | 0 | 18 分 | 228,289 | 46,910 |
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。 | 20261002-034201-search-t1-abc-r1-C-native 10-02 03:42 · 自动搜索 · T1:val · A/B/C 框架对比 · C 组 · r1-native |
|---|---|
| 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 | 已结束 |
| 开始 / 结束 | 10-02 03:42 / 10-02 07:22 |
| 用时 | 3 小时 39 分 / 预算 4 小时 30 分 |
| 所在副本?运行目录所在的代码副本（Spark 上 ~/vec 下的哪个目录）。 | 2026_virtual_embryo |
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。 | a3935ba50ec7aa51d88cffe46f526585058d9edd |
|---|---|
| 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 | /home/spark-longxinyang/vec/runs/formal/20261002-034201-search-t1-abc-r1-C-native/config_source.yaml 配置指纹 79d14514265ad4ae |
| 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。 | 8eaaf3b2cfdeb02a 锁定格式 v8 |
| 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。 | 目录存在 /home/spark-longxinyang/vec/runs/formal/20261002-034201-search-t1-abc-r1-C-native/code |
| 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。 | 3337117a6cf3c4db |
| 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/runs/formal/20261002-034201-search-t1-abc-r1-C-native 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 |