_meta bool | schema_version string | axes_legend dict | total_tasks int64 | scoring_rubric unknown | minimal_solution_path unknown | id string | prompt string | ground_truth_steps list | key_insights list | uncertainty_points list | distractors list | verification_method string | domain_tags list | axes dict |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
true | v3 | {
"reasoning": "Тип рассуждения: Deductive, Abductive, Inductive, Causal, Diagnostic, Planning, Meta, Statistical, Counterfactual, Differential, Bayesian, Strategic, Systemic, Paradox Resolution, Hypothesis Ranking, Evidence Weighing, Cascade Analysis, Quantitative, Business Logic",
"data": "Полнота входных данных:... | 40 | null | null | null | null | null | null | null | null | null | null | null |
null | null | null | null | null | null | LRB-001 | Нужно подключить светодиод к GPIO микроконтроллера (3.3V, max ток пина 20мА). На светодиоде написано только '5mm red LED', datasheet потерян. Продавец говорит 'обычный, как все'. Какой резистор ставить? | [
"1. Определить типичный диапазон Vf для красного LED без даташита: 1.8-2.2V (по цвету — GaAsP/AlGaInP переход)",
"2. Задать целевой ток: безопасный для большинства 5mm LED и GPIO — 10-15мА (не максимум 20мА пина, чтобы оставить запас)",
"3. Рассчитать R по закону Ома: R = (Vcc - Vf) / I. Для худшего случая (Vf=... | [
"Без datasheet нужно рассуждать от физики p-n перехода (цвет → Vf), а не гадать",
"Выбор целевого тока должен закладывать запас, а не быть на пределе спецификации GPIO",
"Правильный ответ — диапазон, а не точное число, потому что входные данные принципиально неполны"
] | [
{
"condition": "Неизвестен реальный Vf конкретного экземпляра LED",
"correct_behavior": "Явно указать, что это оценка по типовым характеристикам класса приборов, а не измеренное значение; рекомендовать проверить мультиметром в режиме диодного теста, если есть возможность"
}
] | [
"Взять резистор 220Ω 'на всякий случай, побольше' — занижает ток без обоснования, не решает проблему неопределённости системно",
"Использовать максимальный ток пина (20мА) как целевой — не оставляет запаса на разброс параметров",
"Игнорировать разброс Vf и считать по одному 'справочному' значению 2.0V без указа... | Tier1 — детерминированный расчёт: подставить границы диапазона Vf в формулу и проверить, что итоговый ток при выбранном резисторе не выходит за 5-20мА ни при одном значении Vf в реалистичном диапазоне | [
"electronics_basics",
"L1",
"deductive_reasoning"
] | {
"reasoning": "Deductive",
"data": "Incomplete",
"load": "Short"
} |
null | null | null | null | null | null | LRB-002 | Модель классификации (XGBoost, 50 деревьев) показывает train accuracy 98%, val accuracy 71%. Датасет: 12000 строк, 40 фичей, класс баланс 60/40. Известно, что часть фичей — временные ряды с лагом, но неизвестно, был ли train/val split случайным или по времени. Логов препроцессинга нет. | [
"1. Зафиксировать симптом: разрыв 27 п.п. между train и val — классический overfitting, но причина неоднозначна без знания split-стратегии",
"2. Выдвинуть гипотезу 1 (data leakage через временные фичи): если split случайный при наличии лаговых фичей — возможна утечка будущей информации в train",
"3. Выдвинуть г... | [
"Один и тот же симптом (train/val gap) имеет минимум два принципиально разных диагноза с разными решениями",
"Нельзя выбрать диагноз без дополнительного эксперимента — входных данных недостаточно для однозначного вывода",
"Временные фичи + неизвестная стратегия split — это конкретный сигнал риска leakage, котор... | [
{
"condition": "Неизвестна стратегия train/val split (случайная или по времени)",
"correct_behavior": "Явно назвать это критичным недостатком информации, предложить проверочный эксперимент вместо того, чтобы гадать; не давать единственную рекомендацию по регуляризации, если leakage не исключён"
},
{
... | [
"Сразу советовать 'добавить больше данных' — не диагностирует причину, дорогое решение без проверки гипотезы",
"Списать всё на 'дисбаланс классов 60/40' — такой дисбаланс умеренный и почти никогда не даёт разрыв 27 п.п. сам по себе",
"Уменьшить число деревьев до 10 без диагностики — может случайно снизить видим... | Tier1 — воспроизвести на коде: обучить logreg-baseline и XGBoost с урезанной глубиной на тех же split; если gap исчезает при упрощении модели — overfit подтверждён кодом; если gap остаётся даже на logreg — leakage подтверждён | [
"ml_debugging",
"L2",
"hypothesis_disambiguation"
] | {
"reasoning": "Abductive",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-003 | Пациент, 52 года, мужчина, курит. Жалобы: давящая боль за грудиной 20 минут назад, сейчас прошла, сейчас чувствует себя нормально. ЭКГ: неспецифические изменения ST (не элевация, не явная депрессия). Тропонин первый — на верхней границе нормы, результат второго (через 3ч) ещё не готов. Анамнез: гипертония, отец умер от... | [
"1. Идентифицировать клиническую задачу как стратификацию риска ОКС (острого коронарного синдрома), а не как окончательный диагноз — данных для диагноза недостаточно по определению (второй тропонин не готов)",
"2. Применить структурированный подход (аналог HEART score): History (типичная боль за грудиной = высоки... | [
"Исчезновение симптома не эквивалентно снижению риска — это ключевая ошибка, которую должна распознать модель",
"Один пограничный лабораторный маркер при высоком клиническом риске должен интерпретироваться в сторону перестраховки, а не 'скорее всего норма'",
"Задача принципиально неполна (второй тропонин не гот... | [
{
"condition": "Второй тропонин ещё не готов",
"correct_behavior": "Явно сказать, что окончательное решение невозможно до получения результата; дать промежуточную рекомендацию (наблюдение), а не диагноз 'инфаркт' или 'не инфаркт'"
},
{
"condition": "ЭКГ описана как 'неспецифические изменения' — нет ... | [
"Отпустить пациента домой, потому что 'боль прошла и тропонин в норме' — классическая и опасная ошибка, игнорирующая транзиторный характер ОКС",
"Поставить диагноз 'инфаркт миокарда' на основании одних неспецифических изменений ЭКГ — избыточная уверенность при недостатке данных",
"Игнорировать семейный анамнез ... | Tier2 — сверка с клиническими рекомендациями (HEART score / ESC guidelines для NSTE-ACS) и оценка экспертом-кардиологом соответствия предложенного алгоритма действий стандарту стратификации риска | [
"clinical_reasoning",
"L2",
"risk_stratification"
] | {
"reasoning": "Differential",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-004 | Стартап планирует запуск платного B2C-приложения (подписка $9.99/мес) в новой стране. Данные: 3 фокус-группы (по 8 человек) показали 'высокий интерес'; конкурент с похожим продуктом ушёл с рынка 2 года назад по неизвестной причине; App Store показывает 4 аналога с рейтингом 3.8-4.2 и 500-2000 отзывов; макроэкономика — ... | [
"1. Отбросить фокус-группы как ненадёжный сигнал для конкретной цифры: n=24, self-report intent систематически переоценивает готовность платить (типичный разрыв intent-to-behavior для paid apps — в разы)",
"2. Использовать аналоги как базовую ставку (base rate): для B2C-подписочных приложений в развивающихся/новы... | [
"Уход конкурента с рынка — сильнейший сигнал во всём наборе данных, но его смысл инвертируется в зависимости от неизвестной причины",
"Self-report intent в фокус-группах систематически не годится как базис для количественной оценки конверсии",
"Правильный формат ответа — вероятностный диапазон/сценарии, а не ед... | [
{
"condition": "Неизвестна причина ухода конкурента с рынка",
"correct_behavior": "Явно назвать это главным неизвестным, влияющим на итоговый прогноз сильнее всего; не строить прогноз, игнорируя этот факт"
},
{
"condition": "Малый размер выборки фокус-групп (n=24)",
"correct_behavior": "Указать ... | [
"Взять 'высокий интерес' из фокус-групп и напрямую транслировать в высокую ожидаемую конверсию (10-20%) — классическая ошибка переоценки stated preference",
"Игнорировать уход конкурента как 'нерелевантную старую историю' — это отбрасывает самый информативный сигнал в задаче",
"Опираться только на рейтинги анал... | Tier2 — бэктест на аналогичных запусках (если доступна база данных подобных подписочных приложений в сопоставимых регионах) или post-hoc сверка прогноза с фактическими метриками через 12 месяцев после запуска | [
"business_forecasting",
"L2",
"scenario_analysis"
] | {
"reasoning": "Abductive",
"data": "Highly Incomplete",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-005 | Автономный складской робот (уровень автономности L4, без человека в контуре управления) во время работы столкнулся с сотрудником склада, который зашёл в зону без бейджа-разрешения (нарушив протокол), но датчик робота имел известный производителю, но не устранённый дефект слепой зоны на 15 см ниже стандартной высоты дат... | [
"1. Разложить ситуацию на минимум три независимых линии ответственности: (а) производитель робота (известный, не устранённый дефект), (б) оператор склада (допустил нарушение протокола доступа), (в) сам сотрудник (сознательно нарушил протокол)",
"2. Оценить производителя: 'известный, но не устранённый дефект' — эт... | [
"Пункт 'known but unremedied defect' — юридически критичен: он часто прорывает даже широкие disclaimer'ы об ограничении ответственности",
"Нарушение протокола сотрудником не эквивалентно полному освобождению производителя/оператора от ответственности — modern tort law в большинстве систем распределяет вину, а не ... | [
{
"condition": "Юрисдикция (страна/штат) не указана",
"correct_behavior": "Явно сказать, что итоговое распределение ответственности критически зависит от юрисдикции (comparative vs contributory negligence, product liability standards), и дать условный ответ 'если юрисдикция X, то...', а не одно универсально... | [
"Заявить, что сотрудник сам виноват, потому что нарушил протокол, и полностью снять ответственность с других сторон — игнорирует известный дефект производителя, который является отягчающим фактором",
"Заявить, что 'as-is' контракт полностью защищает производителя от любой ответственности — некорректно для известн... | Tier3 — экспертная оценка панелью юристов (специализация product liability + labor law), сравнение предложенной структуры рассуждения с реальными прецедентами по аналогичным делам; проверяется не число, а полнота и корректность выделенных факторов и условности выводов | [
"legal_reasoning",
"L3",
"multi-party_liability"
] | {
"reasoning": "Systemic",
"data": "Highly Incomplete",
"load": "Long"
} |
null | null | null | null | null | null | LRB-006 | Устройство на ESP32-C3 питается от литий-ионного аккумулятора 18650 (номинал 3,7 В). При включении Wi-Fi и BLE одновременно устройство внезапно выключается раз в 5–15 минут. Ёмкость аккумулятора заявлена 3000 мА·ч, но реально не измерялась. Конденсатор на выходе DC-DC 22 мкФ керамический. Температура окружающей среды +... | [
"1. Определить пиковые токи: Wi-Fi TX burst ~250 мА + BLE advertising ~50–80 мА → суммарный пик >300 мА на 5–20 мс",
"2. Проверить тип DC-DC (вероятно TPS62840 или аналог) и его поведение при низком Vin (dropout, efficiency drop). Типичный UVLO для таких DC-DC: 2.8-3.0 В",
"3. Учесть ESR керамического конденсат... | [
"Пиковый ток двух беспроводных интерфейсов одновременно критичен — сумма >300мА",
"Внутреннее сопротивление Li-ion растёт с возрастом/циклами — это основная причина просадки",
"Керамика имеет низкий ESR, но не компенсирует R_аккума: конденсатор помогает на мкс масштабе, но не на мс масштабе TX burst",
"Симпто... | [
{
"condition": "Неизвестен возраст и количество циклов аккумулятора",
"correct_behavior": "Указать, что после 300+ циклов R_internal растёт в 2–3 раза; рекомендовать измерить напряжение под нагрузкой осциллографом непосредственно на клеммах аккумулятора"
},
{
"condition": "Неизвестна точная модель D... | [
"Проблема в прошивке (конфликт BLE + Wi-Fi) — ESP32-C3 поддерживает concurrent BLE+Wi-Fi, и конфликт не вызывает выключение питания",
"Недостаточная ёмкость конденсатора (22 мкФ обычно хватает для компенсации мкс-переходных процессов, но не мс-бурстов)",
"Перегрев процессора (при +25-35°C ESP32-C3 не throttles ... | Tier1 — Осциллограф на Vin DC-DC при одновременном Wi-Fi+BLE TX burst; измерение R_internal аккумулятора методом разряда известным током; замена на свежий 18650 для подтверждения гипотезы | [
"embedded_debugging",
"power_design",
"battery_systems",
"L2",
"diagnostic"
] | {
"reasoning": "Diagnostic",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-007 | Механический редуктор 1:50 с косозубыми шестернями из POM. После 1200 часов работы при 1500 об/мин на входе появился повышенный шум и вибрация. Температура масла +65 °C. Смазка — синтетическое масло ISO VG 220. В чём причина? | [
"1. Рассчитать входные параметры: n_in=1500 rpm → ω_in = 157 рад/с. При передаточном числе 1:50 → n_out = 30 rpm. Линейная скорость на зацеплении зависит от модуля и диаметра шестерни, но при 1500 rpm и типовых размерах (d~50мм) v ≈ 3.9 м/с — это средняя скорость для полимерных передач",
"2. Проверить тепловой ба... | [
"Падение вязкости масла при 65°C критично для полимерных передач, где требования к смазке выше, чем для стальных",
"POM имеет высокий коэффициент теплового расширения и склонность к ползучести выше 60°C — это меняет геометрию зацепления в процессе работы",
"1200 часов при 1500 rpm = 108 млн циклов — это значимы... | [
{
"condition": "Неизвестна точная температура масла в зоне зацепления (может быть выше средней по объёму)",
"correct_behavior": "Рекомендовать установить термопару непосредственно в масляную ванну в зоне зацепления; сравнить с расчётным тепловыделением"
},
{
"condition": "Неизвестны модуль шестерни,... | [
"Неправильная сборка (осевое биение) — возможно, но после 1200 часов работы без проблем маловероятно как первичная причина; скорее усугубляющий фактор",
"Загрязнение масла металлической стружкой — POM не даёт металлической стружки; возможно только полимерная пыль, которая менее критична для смазки",
"Недостаточ... | Tier2 — Вибродиагностика спектра (FFT анализ с выделением частоты зацепления и гармоник) + эндоскопия зубьев + анализ масла на вязкость/кислотное число/содержание частиц; расчёт контактных напряжений по ISO 6336 при известных параметрах нагрузки | [
"mechanical_engineering",
"tribology",
"predictive_maintenance",
"L2",
"diagnostic"
] | {
"reasoning": "Diagnostic",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | "+3 верный энергетический подход; +1 упоминание просадки напряжения; -3 за ответ 66.7 ч (дистрактор мА·ч)" | [
"Перейти к энергии Вт·ч",
"Учесть КПД",
"Разделить на мощность нагрузки"
] | LRB-008 | Батарея 18650 ёмкостью 3000 мА·ч питает устройство со средним потреблением 45 мА. КПД повышающего преобразователя 88%. Номинальное напряжение ячейки 3.7 В, устройство работает от 5 В. Сколько часов проработает устройство до разряда? Считать разряд до 90% ёмкости. | [
"1. Полезная ёмкость: 3000 мА·ч × 0.90 = 2700 мА·ч (разряд до 90%).",
"2. Энергия ячейки: 2700 мА·ч × 3.7 В = 9.99 Вт·ч.",
"3. Энергия на выходе с учётом КПД: 9.99 × 0.88 = 8.79 Вт·ч.",
"4. Мощность нагрузки: 5 В × 45 мА = 0.225 Вт.",
"5. Время: 8.79 / 0.225 ≈ 39.1 часа."
] | [
"Считать нужно через энергию (Вт·ч), а не напрямую мА·ч, так как напряжения ячейки и нагрузки разные",
"КПД преобразователя применяется к энергии, а не к току"
] | [
{
"condition": "Напряжение ячейки падает по мере разряда (3.7 В — номинал, не константа)",
"correct_behavior": "Отметить, что расчёт по номиналу — приближение; реальная энергия чуть ниже из-за просадки в конце разряда"
}
] | [
"Разделить 3000 мА·ч на 45 мА = 66.7 ч (игнорирует повышение напряжения и КПД)",
"Применить КПД к току, а не к мощности"
] | Tier1 — Пересчёт формулой в коде: E = C*V*0.9*eff; t = E/(V_out*I_out) | [
"power_calc",
"L1"
] | {
"reasoning": "Deductive",
"data": "Complete",
"load": "Short"
} |
null | null | null | null | "+2 идентификация head-of-line на пуле; +2 численная оценка занятости пула; +1 корректное сомнение про изоляцию пулов; -2 за уверенный выбор GC как корня" | [
"Отделить хвост от среднего",
"Связать медленный запрос с удержанием соединения",
"Показать блокировку пула"
] | LRB-009 | REST API на Node.js держит p50=40ms, но p99 скачет до 2200ms под нагрузкой ~500 rps. CPU средний 55%, память стабильна. GC-паузы в логах до 30ms. Пул соединений к PostgreSQL — 10. В базе есть медленный запрос без индекса (0.3% запросов, ~800ms). Что вызывает хвост латентности p99? | [
"1. Разделить хвост латентности и среднюю нагрузку: CPU 55% и p50=40ms — система не перегружена в среднем.",
"2. Оценить вклад GC: паузы до 30ms не объясняют 2200ms → GC не основная причина, но добавляет шум.",
"3. Рассмотреть медленный запрос: 0.3% × 500 rps ≈ 1.5 rps по 800ms → занимает соединения из пула над... | [
"p99 определяется редкими событиями, а не средними метриками (CPU/p50 обманчивы)",
"Медленный запрос отравляет пул соединений, блокируя быстрые запросы — эффект нелинейный",
"Ограниченный ресурс (пул=10) превращает 0.3% медленных запросов в массовую деградацию"
] | [
{
"condition": "Неизвестно, конкурируют ли медленные запросы за те же соединения или изолированы",
"correct_behavior": "Указать, что вывод зависит от отсутствия изоляции пулов; рекомендовать проверить метрику pool wait time / acquire time"
},
{
"condition": "Не приведено распределение GC-пауз (max v... | [
"Причина в GC-паузах (30ms << 2200ms, не сходится численно)",
"Нужно масштабировать CPU/инстансы (средний CPU всего 55%)",
"Проблема в сети между app и БД (нет данных за это, объясняется внутренним ресурсом)"
] | Tier2 — Нагрузочный тест (k6/wrk) с метрикой pool_acquire_time до и после добавления индекса; воспроизведение head-of-line blocking в симуляции пула | [
"backend_debugging",
"performance",
"L2"
] | {
"reasoning": "Abductive",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | "+2 корректный метод разностей; +2 правильная формула; +2 явная фиксация индексации; +1 замечание о неединственности; -2 за формулу без обоснования степени" | [
"Метод разностей → степень 3",
"Факторизация членов → n^2(n+1)",
"Явно зафиксировать индексацию",
"Вычислить a(10)=1100"
] | LRB-010 | Дана последовательность: 2, 12, 36, 80, 150, 252, ... Найди правило, 10-й член и докажи формулу. В условии не сказано, начинается ли индекс с 0 или 1. | [
"1. Проверить разности: 10, 24, 44, 70, 102 — не постоянны.",
"2. Вторые разности: 14, 20, 26, 32 — арифметическая прогрессия → многочлен 3-й степени.",
"3. Предположить a(n) = n^2 (n+1) при n от 1: 1·2=2, 4·3=12, 9·4=36, 16·5=80, 25·6=150, 36·7=252 — совпадает полностью.",
"4. Зафиксировать индексацию: прави... | [
"Метод конечных разностей определяет степень многочлена (постоянные вторые/третьи разности)",
"Разложение a(n)=n^2(n+1) видно из факторизации членов, а не только из подгонки коэффициентов",
"Индексация — свободный параметр, его нужно зафиксировать явно"
] | [
{
"condition": "Неизвестно, с 0 или 1 начинается индекс",
"correct_behavior": "Явно указать выбранную индексацию (n=1) и отметить, что при n=0 формула сдвигается; ответ 1100 верен для стандартного 10-го члена при старте с 1"
},
{
"condition": "Конечное число членов не гарантирует единственность прав... | [
"Предположить экспоненту/факториал (быстрый рост обманывает, но разности это опровергают)",
"Подгонять многочлен 5-й степени под 6 точек (переобучение, игнорирует постоянство вторых разностей)",
"Считать a(n)=n^3 (даёт 1,8,27... — не совпадает)"
] | Tier1 — Код: сгенерировать a(n)=n^2*(n+1) для n=1..10, сверить с рядом; проверить постоянство третьих разностей | [
"math_reasoning",
"sequences",
"L3"
] | {
"reasoning": "Inductive",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | "+3 явная зависимость решения от неизвестных + план их дешёвого выяснения; +2 разбор двусмысленности ухода конкурента; +1 сохранение опциональности; -3 за уверенный безусловный выбор без учёта неопределённости" | [
"Сделать решение функцией от runway",
"Найти near-free информацию до выбора",
"Сохранить опциональность",
"Дать условную, а не абсолютную рекомендацию"
] | LRB-011 | Стартап (12 человек, runway 7 месяцев) выбирает: (A) допилить текущий продукт до платящих клиентов, есть 3 пилота на грани контракта; (B) пивот на смежный рынок, где недавно ушёл конкурент. Данных о конверсии пилотов нет, о размере нового рынка — только пресс-релизы. Что делать и как рассуждать? | [
"1. Формализовать ограничение: runway 7 мес — это жёсткий дедлайн; любое решение должно давать сигнал раньше, чем закончатся деньги.",
"2. Оценить обратимость: пивот сжигает 2-3 мес на переориентацию → уменьшает runway до критического; вариант A сохраняет опциональность.",
"3. Снизить неопределённость дёшево: д... | [
"Runway задаёт временной бюджет на снижение неопределённости — решение оптимизируется по скорости обучения, а не по потенциалу",
"Уход конкурента двусмыслен: и как освобождённый рынок, и как сигнал нежизнеспособности",
"Ключевую информацию (условия пилотов) можно получить почти бесплатно ДО необратимого выбора"... | [
{
"condition": "Нет данных о конверсии пилотов",
"correct_behavior": "Не делать вид, что ответ определён; сформулировать решение как условное от результата дешёвого запроса к пилотам, а не давать безусловную рекомендацию"
},
{
"condition": "Размер рынка B известен только из пресс-релизов",
"corr... | [
"Уверенно выбрать пивот, потому что 'ушёл конкурент = свободный рынок' (игнорирует альтернативную причину ухода)",
"Уверенно выбрать A, потому что 'синица в руках' (без проверки, конвертируются ли пилоты вообще)",
"Делать оба направления полноценно параллельно (12 человек и 7 мес не позволяют — распыление ресур... | Tier3 — Экспертная оценка (2-3 венчур/операционных эксперта) по рубрике: учтён ли runway как ограничение, предложено ли дешёвое снижение неопределённости, не выбран ли безусловный ответ | [
"strategic_reasoning",
"decision_under_uncertainty",
"cross_cutting",
"L3"
] | {
"reasoning": "Abductive",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | null | null | LRB-012 | В лаборатории есть установка: лазер 532 нм, 50 мВт, луч проходит через кювету с неизвестным раствором, затем на фотодиод. При включении мешалки в кювете сигнал фотодиода начинает сильно флуктуировать (десятки процентов) с частотой оборотов мешалки, хотя раствор визуально прозрачный и однородный. Температура стабильна. ... | [
"1. Исключить вибрацию оптики/кюветы как основную (хотя она возможна) — флуктуации синхронны с оборотами.",
"2. Рассмотреть schlieren-эффект / градиенты показателя преломления от локального нагрева или сдвиговых потоков.",
"3. Главная гипотеза: лазер (даже 50 мВт) частично поглощается (слабый chromophore или пр... | [
"Даже 'прозрачный' раствор может иметь достаточное поглощение для thermal lensing при focused beam",
"Мешалка модулирует уже существующие градиенты n, а не создаёт проблему с нуля",
"Нелинейная зависимость от мощности лазера — ключевой дискриминатор"
] | [
{
"condition": "Неизвестна точная концентрация и спектр поглощения раствора",
"correct_behavior": "Сказать, что нужно снять спектр поглощения 400–700 нм и оценить α; без этого ранжировать гипотезы"
},
{
"condition": "Неизвестна геометрия фокусировки луча в кювете",
"correct_behavior": "Отметить,... | [
"Просто вибрация стола/мешалки передаётся на оптику",
"Фотодиод перегружен и работает в нелинейном режиме",
"Поляризация или рассеяние на молекулах растворителя",
"Электромагнитные наводки от мотора мешалки на АЦП"
] | Tier2 — Мощность-зависимость сигнала + time-resolved после выключения мешалки + (опционально) schlieren или интерферометрия; симуляция thermal lens в COMSOL/своём коде | [
"optics",
"thermal_effects",
"lab_debugging",
"L2"
] | {
"reasoning": "Abductive",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-013 | В крупной сети клиник после внедрения новой системы записи и приоритизации пациентов (алгоритм + новые KPI для администраторов) среднее время ожидания 'срочных' пациентов снизилось на 18%, но через 4–6 месяцев выросла 30-дневная реадмиссия по определённым нозологиям на 12%, а NPS врачей упал. Данные очень шумные, разны... | [
"1. Построить DAG возможных причин: алгоритм → изменение case-mix (кого записывают как urgent) → нагрузка на врачей → качество/полнота приёма → outcomes; KPI → gaming (переклассификация пациентов); одновременно confounding от других interventions.",
"2. Ключевой риск: algorithm + KPI создали incentive сдвигать bo... | [
"Снижение waiting time само по себе не целевая метрика — оно может быть достигнуто ценой case-mix shift",
"KPI администраторов часто конфликтуют с clinical outcomes (Goodhart's law)",
"Нужно смотреть не average treatment effect, а механизмы и heterogeneous effects"
] | [
{
"condition": "Крайне неполные данные о том, как именно менялась классификация urgent и что происходило на приёме",
"correct_behavior": "Явно сказать, что без логов решений алгоритма + chart review сильный causal claim невозможен; предложить минимальный набор данных для identification"
},
{
"condit... | [
"Просто 'врачи разленились' или 'пациенты стали тяжелее независимо'",
"Алгоритм технически плохой (баг в коде) — игнорировать incentives",
"NPS упал из-за сопротивления изменениям, outcomes не связаны",
"Нужно просто ужесточить KPI ещё сильнее"
] | Tier3 — Quasi-experimental analysis (DiD, synthetic control, IV) на существующих данных + targeted chart review + pilot rollback в 2–3 филиалах с pre-registration; экспертная панель клиницистов + data scientists | [
"healthcare_systems",
"causal_inference",
"incentives",
"L3"
] | {
"reasoning": "Causal",
"data": "Highly Incomplete",
"load": "Long"
} |
null | null | null | null | null | null | LRB-014 | Есть простой buck-конвертер на MP1584. Вход 12В, выход 5В/2А. Под нагрузкой 1.5А выходные ripple 180 мВ p-p (ожидали <50 мВ). Индуктор 4.7 мкГн, выходной конденсатор 2×22 мкФ керамика + 100 мкФ электролит. Частота 1.5 МГц. Что проверить в первую очередь? | [
"1. Проверить datasheet MP1584 и recommended layout/компоненты для low ripple.",
"2. Оценить ESL/ESR цепочки конденсаторов и loop area силовой части (high di/dt).",
"3. Наиболее частая причина — плохой layout (длинные пути от SW к индуктору/конденсаторам, отсутствие solid ground) + недостаточная high-frequency ... | [
"При МГц-частотах layout и HF-керамика важнее номинала bulk-конденсатора",
"Метод измерения ripple критичен (probe technique)"
] | [
{
"condition": "Нет фото layout и точных part numbers индуктора/конденсаторов",
"correct_behavior": "Сказать, что без этого вероятность layout-проблемы >70%, и попросить фото/герберы"
}
] | [
"Просто увеличить выходную ёмкость до 1000 мкФ",
"Шум от feedback-резисторов",
"Неправильная частота — нужно снизить"
] | Tier1 — Правильный замер ripple + замена/добавление керамики + (если возможно) ре-layout тестовой платы; SPICE с parasitics | [
"power_electronics",
"L1"
] | {
"reasoning": "Diagnostic",
"data": "Mostly Complete",
"load": "Short"
} |
null | null | null | null | null | null | LRB-015 | Ты строишь систему агентов для автоматического scientific discovery в материаловедении. Есть генератор гипотез, симулятор (DFT approximate), экспериментальный робот (дорогие опыты) и критик. Бюджет: 50 DFT-расчётов и 8 реальных синтезов/измерений в месяц. Данные предыдущих кампаний показывают, что 60% 'уверенных' гипот... | [
"1. Формализовать utility = information gain + property improvement, с cost-sensitive.",
"2. Критик должен оценивать не только predicted property, но и epistemic uncertainty + model discrepancy (simulator-to-reality gap) + novelty.",
"3. Использовать ensemble симуляторов / Bayesian optimization with learned dis... | [
"Главный враг — simulator bias/overconfidence, а не variance",
"Нужно явно моделировать sim-to-real gap как часть state",
"Budget allocation между exploitation, exploration и calibration — core decision"
] | [
{
"condition": "Распределение unmodeled factors неизвестно и non-stationary",
"correct_behavior": "Использовать robust/distributionally robust optimization или online learning discrepancy; никогда не trust point estimate"
}
] | [
"Просто брать top-k по predicted property от генератора",
"Игнорировать стоимость и делать pure exploration",
"Верить калибровке uncertainty симулятора as-is",
"Свести всё к одному multi-objective BO без meta-reasoning о fail modes"
] | Tier3 — Симуляция closed-loop на historical + synthetic benchmarks с known gap; A/B разных policies на реальном robot-lab за несколько месяцев; метрики: valid materials found per budget, calibration plots, regret | [
"AI_for_science",
"agentic_systems",
"uncertainty_quantification",
"L3"
] | {
"reasoning": "Planning",
"data": "Adversarial",
"load": "Long"
} |
null | null | null | null | null | null | LRB-016 | PostgreSQL запрос выполняется 4 секунды на таблице в 2 миллиона строк. EXPLAIN ANALYZE показывает: Seq Scan, cost=0..58400, rows=2000000. Запрос: SELECT * FROM orders WHERE status = 'pending' AND created_at > NOW() - INTERVAL '7 days'. Индексы: есть составной индекс (user_id, created_at). В чём проблема и что делать? | [
"1. Прочитать EXPLAIN: Seq Scan означает полное сканирование таблицы — планировщик не использует индекс",
"2. Проверить существующий индекс: (user_id, created_at) — created_at присутствует, но только на второй позиции. Для условия WHERE без user_id этот индекс неприменим из-за правила 'leftmost prefix'",
"3. Пр... | [
"Правило leftmost prefix делает индекс (user_id, created_at) бесполезным для данного запроса",
"Планировщик PostgreSQL переключается на Seq Scan при selectivity > ~5-10% — status='pending' может быть слишком частым",
"Partial index на конкретное значение status = 'pending' — не очевидное, но оптимальное решение... | [
{
"condition": "Неизвестно реальное распределение значений status",
"correct_behavior": "Выполнить SELECT status, COUNT(*) FROM orders GROUP BY status; Если 'pending' > 10% — partial index обязателен. Если < 1% — простой индекс по status достаточен"
},
{
"condition": "Неизвестна равномерность распре... | [
"Добавить индекс по status отдельно — игнорирует кардинальность и может не помочь",
"Увеличить work_mem — влияет на sort/hash, не на выбор индекса при Seq Scan",
"Переписать запрос с LIMIT — не решает проблему, только маскирует",
"Добавить user_id в WHERE — меняет логику запроса, не оптимизирует существующий"... | Tier1 — EXPLAIN (ANALYZE, BUFFERS) после создания индекса; целевой результат — Index Scan, время < 50ms. Скрипт: pgbench с 1000 повторов до/после. | [
"database_optimization",
"query_planning",
"L1"
] | {
"reasoning": "Deductive",
"data": "Mostly Complete",
"load": "Short"
} |
null | null | null | null | null | null | LRB-017 | Микросервис на Go. Продакшен. Каждые ~6 часов latency p99 вырастает с 12ms до 340ms на 2-3 минуты, затем возвращается. CPU в норме (15-20%). Memory: растёт линейно от 120MB до 890MB за 6 часов, затем резкий drop до 130MB — точно коррелирует со спайком latency. Запросов в этот момент не больше обычного. Сервис работает ... | [
"1. Интерпретировать паттерн: линейный рост памяти + резкий drop + latency spike = классический признак GC pressure в Go",
"2. Специфика Go GC: при достижении heap target (по умолчанию GOGC=100, т.е. heap doubles) запускается major GC. При heap ~890MB GC вынужден обработать весь живой граф объектов",
"3. Рассчи... | [
"Корреляция memory drop и latency spike — диагностический ключ к GC pressure, а не к перегрузке сервиса",
"Go GC concurrent, но mark termination фаза всё равно останавливает горутины — при большом heap это 10-100ms+",
"GOGC=100 означает GC запускается когда heap = 2× live set после предыдущего GC — при growing ... | [
{
"condition": "Неизвестно, что именно накапливается в heap",
"correct_behavior": "Без pprof heap профиля невозможно точно идентифицировать источник. Нужно: go tool pprof -alloc_objects или -inuse_objects в момент пика. Указать конкретные команды для сбора"
},
{
"condition": "Redis client — неизвест... | [
"Проблема в Redis: latency Redis — не объясняет паттерн накопления в памяти Go процесса",
"Нужно увеличить RAM контейнера до 2GB — даёт больше времени, но не решает GC проблему, лишь откладывает",
"GOMAXPROCS=4 при 2 CPU вызывает проблемы — GOMAXPROCS лучше ≤ CPU, но это вызывает scheduling overhead, а не данны... | Tier1 — Запустить с GODEBUG=gctrace=1, зафиксировать GC events. Сравнить heap profile до/после через pprof. Метрика успеха: p99 latency < 20ms без спайков в течение 24 часов после fix. | [
"backend_debugging",
"golang_runtime",
"L2"
] | {
"reasoning": "Causal",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-018 | E-commerce. Провели A/B тест новой страницы оформления заказа. Результаты за 14 дней: Control (n=12,400): CR=3.2%, AOV=2,840₽. Treatment (n=12,350): CR=3.8%, AOV=2,210₽. p-value для CR: 0.003. Продакт-менеджер говорит: 'Конверсия выросла на 18.75%, раскатываем на 100%'. Финансовый директор говорит: 'Мы потеряем деньги'... | [
"1. Вычислить Revenue Per Visitor (RPV) — правильную метрику для e-commerce: RPV = CR × AOV",
"2. Control RPV = 0.032 × 2840 = 90.88₽/посетитель",
"3. Treatment RPV = 0.038 × 2210 = 83.98₽/посетитель",
"4. Δ RPV = -6.90₽/посетитель = -7.6% — Treatment хуже по деньгам",
"5. Оценить статистическую значимость ... | [
"Оптимизация CR без учёта AOV — классическая ошибка; Revenue Per Visitor — единственная правильная north-star метрика для e-commerce A/B",
"Статистически значимый результат по одной метрике не означает правильное бизнес-решение",
"Паттерн 'CR↑ + AOV↓' чаще всего означает снижение когнитивной нагрузки для малых ... | [
{
"condition": "Неизвестно распределение AOV (среднее без std dev / median)",
"correct_behavior": "AOV — метрика с высоким CV в e-commerce. Без распределения невозможно оценить значимость разницы AOV. Корректно запросить: median order value, std dev, или провести bootstrap тест для RPV"
},
{
"condit... | [
"Нужно просто увеличить выборку — проблема не в мощности теста, а в неверной метрике",
"AOV упал из-за сезонности — возможно, но SRM в норме и длительность достаточная",
"Тест нужно остановить раньше — peeking bias уже неактуален, тест завершён",
"18.75% рост CR — отличный результат, раскатываем — игнорирует ... | Tier2 — Bootstrap симуляция RPV (10,000 итераций) для получения confidence interval. Сегментация по deciles AOV. Инструмент: Python scipy + собственные транзакционные данные. Метрика успеха: CI для ΔRPV не пересекает 0. | [
"product_analytics",
"ab_testing",
"L2"
] | {
"reasoning": "Statistical",
"data": "Mostly Complete",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-019 | Пациент, 34 года, программист. Жалобы: усталость последние 4 месяца, 'туман в голове', периодические головные боли утром, снижение концентрации. Работает 10-12 часов в день, преимущественно ночью. Анализы: TSH=2.1 мМЕ/л (норма), общий анализ крови в норме, B12=210 пг/мл (норма нижняя граница), ферритин=11 нг/мл (норма ... | [
"1. Выделить ключевой лабораторный сигнал: ферритин=11 нг/мл — это нижняя граница 'нормы' по формальным критериям, но функциональный дефицит железа начинается при ферритине < 20-30 нг/мл, а неврологические симптомы появляются при < 15",
"2. Важно: гемоглобин в норме НЕ исключает дефицит железа. Ферритин истощаетс... | [
"Ферритин=11 — клинически значимый дефицит, несмотря на нормальный гемоглобин; ферритин — депо, которое истощается первым",
"Нижняя граница референса ≠ оптимальный уровень; для неврологических функций ферритин должен быть > 30",
"Утренние головные боли у человека с нарушенным режимом сна — красный флаг для СОАС... | [
{
"condition": "Неизвестны пол/менструальный цикл (пациент — возможно, женщина?)",
"correct_behavior": "Если пациент женщина с обильными менструациями — вероятность железодефицита резко возрастает. Уточнить анамнез. В условии указан мужской пол (программист), но явно не обозначен"
},
{
"condition": ... | [
"TSH в норме → щитовидная железа не при чём (без fT4 и fT3 вывод неполный)",
"ОАК в норме → анемии нет → железо в порядке (классическая ошибка: ферритин истощается до падения Hb)",
"Витамины не помогли → дефицитов нет → точно выгорание (витамины OTC не содержат терапевтических доз)",
"Депрессия → назначить ан... | Tier3 — Верификация через эндокринолога/терапевта: повторный ферритин через 8 недель терапии железом; оценка динамики симптомов по validated шкале MFI-20 (Multidimensional Fatigue Inventory). СОАС — полисомнография. | [
"clinical_reasoning",
"differential_diagnosis",
"L2"
] | {
"reasoning": "Differential",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | null | null | LRB-020 | ML команда обучила модель классификации мошеннических транзакций. Результаты на тесте: AUC-ROC=0.97, Precision=0.91, Recall=0.89. В продакшене через 2 недели: количество пойманного фрода упало на 40%, при этом метрики на офлайн-тесте по-прежнему 0.97. Команда перепроверила код — ошибок нет. Фичи те же. Данных больше — ... | [
"1. Зафиксировать противоречие: офлайн метрики стабильны → модель не деградировала; продакшен эффективность упала → разрыв между офлайн и онлайн оценкой",
"2. Первая гипотеза — Data Leakage в обучении: если тестовый набор содержал данные из будущего (temporal leakage) или фичи, создаваемые после факта мошенничест... | [
"Высокие офлайн метрики при деградации в продакшене — не баг, а симптом нарушения i.i.d. предположения между train/test и продакшеном",
"Temporal leakage — самая коварная утечка в anti-fraud: модель 'учится' на информации, которая недоступна в момент принятия решения",
"Concept drift в fraud особенно быстрый: м... | [
{
"condition": "Неизвестна схема train/test split",
"correct_behavior": "Без информации о temporal/random split нельзя однозначно диагностировать leakage. Ключевой вопрос: 'Как именно разбивались данные — random shuffle или по дате?' Это должен быть первый вопрос к команде"
},
{
"condition": "Неизве... | [
"Нужно собрать больше данных и переобучить — без исправления leakage результат будет таким же",
"AUC 0.97 — отличный результат, проблема в продакшен-системе, не в модели — игнорирует train/test/prod gap",
"Нужно добавить больше фичей — без понимания причины деградации добавление фичей усугубит проблему",
"Про... | Tier2 — Temporal validation — обучить на [T-365, T-180], оценить на [T-180, T-90] и [T-90, T-0]. Если AUC падает с приближением к T — leakage или drift подтверждён. PSI анализ: sklearn + pandas на продакшен логах. | [
"ml_debugging",
"model_validation_antipatterns",
"L3",
"cross_cutting"
] | {
"reasoning": "Abductive",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | null | null | LRB-021 | SaaS стартап, 3 года. MRR=$180K, рост 4%/мес последние 6 месяцев (ранее было 12%). Churn rate вырос с 1.8% до 3.4%/мес. NPS упал с 52 до 31. Команда инженеров выросла с 8 до 19 человек за год, но velocity (story points/sprint) не выросла. Tech debt: 'умеренный' по оценке CTO. Новых фич выпущено 23 за год (vs 31 в прошл... | [
"1. Диагностировать первопричину через связку метрик: churn 3.4% → monthly retention 96.6% → annual retention ~67%. При CAC recovery обычно 12-18 месяцев — unit economics сломаны",
"2. Выявить парадокс роста команды: 19 инженеров vs 8, velocity не выросла → Brook's Law активирован. Рост команды >2x без пропорцион... | [
"Brook's Law: удвоение команды при существующем tech debt ускоряет деградацию velocity, а не улучшает её",
"В B2B SaaS churn 3.4%/мес = annual retention ~67% — это зона смерти продукта при типичном CAC payback 12+ месяцев",
"NPS переход из Promoter-доминирования в Detractor при B2B означает ускоряющийся органич... | [
{
"condition": "Неизвестна структура churn: добровольный vs принудительный, по сегментам клиентов",
"correct_behavior": "Churn у Enterprise vs SMB клиентов имеет разные причины и разную стоимость. Без когортного анализа churn нельзя приоритизировать retention efforts. Запросить breakdown по размеру клиента ... | [
"Нанять ещё инженеров для ускорения — Brook's Law: ещё усилит проблему без структурных изменений",
"Запустить ребрендинг и маркетинговую кампанию — acquisition при высоком churn = 'дырявое ведро'",
"Снизить цены для удержания клиентов — ухудшает unit economics, не решает продуктовую проблему",
"Сфокусироватьс... | Tier3 — Верификация через 90-дневный checkpoint: churn rate должен начать снижаться (target < 2.5%), velocity стабилизироваться или расти, DORA deployment frequency улучшиться. Независимый tech audit через внешнего CTO/архитектора. | [
"startup_strategy",
"saas_turnaround",
"L3",
"cross_cutting"
] | {
"reasoning": "Systemic",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | null | null | LRB-022 | Автономная система кредитного скоринга банка за последний квартал одобрила займы с итоговым уровнем дефолтов на 40% выше прогноза модели. Расследование показало: (1) модель обучалась на данных за 2019-2022, где не было текущего уровня инфляции; (2) отдел маркетинга запустил агрессивную кампанию, привлёкшую новый сегмен... | [
"1. Разделить проблему на две принципиально разные части: (а) техническая — почему модель ошиблась в прогнозе (data drift), и (б) организационная — почему технический риск не был пойман раньше (процессный провал)",
"2. Технический анализ: явный кейс covariate shift / population shift — новый сегмент (гиг-экономик... | [
"Одновременное наложение covariate shift и concept drift даёт нелинейный, а не пропорциональный эффект — это ключ к пониманию, почему разрыв именно 40%, а не 10-15%",
"Потеря 15% логов — это не просто 'неприятность', а фундаментальное ограничение, делающее точную количественную атрибуцию причин статистически нево... | [
{
"condition": "15% решений без логов — неизвестно, как они распределены по сегментам",
"correct_behavior": "Явно заявить, что точная количественная атрибуция вклада каждого фактора (маркетинг vs инфляция vs регулятор) сейчас невозможна из-за пробела в данных; дать качественную, а не числовую оценку вклада ... | [
"Списать всё целиком на 'плохую модель' и рекомендовать просто ретрейн без анализа организационных причин — не предотвратит повторение (маркетинг снова может запустить кампанию без согласования)",
"Обвинить исключительно маркетинг за агрессивную кампанию — игнорирует, что у risk-команды и MLOps не было мониторинг... | Tier2+Tier3 — Симуляция/бэктест: переобучить модель на данных без нового сегмента и с ним раздельно, сравнить дефолт-рейт на разных подгруппах для проверки гипотезы drift. Экспертная оценка риск-комитетом полноты организационных рекомендаций и адекватности ранжирования немедленных действий. | [
"ml_ops",
"risk_management",
"systemic_failure_analysis",
"L3",
"cross_cutting"
] | {
"reasoning": "Systemic",
"data": "Highly Incomplete",
"load": "Long"
} |
null | null | null | null | "+3 за корректное объяснение curse of dimensionality; +2 за предложение HNSW/FAISS с оговорками; +1 за учёт batch vs single; -3 за рекомендацию KD/Ball Tree без caveats; -2 за игнорирование recall trade-off" | [
"Распознать high-dimensional regime",
"Объяснить gap между theory и practice",
"Предложить ANN или обоснованный fallback",
"Запросить requirements по recall"
] | LRB-023 | Инженер оптимизирует поиск k ближайших соседей (k=10) для одного запроса в статическом наборе из N=500_000 точек размерности d=128 (float32). Текущая реализация — полный перебор через numpy (векторизованный), время ~40 мс. Инженер заменил на KD-Tree (sklearn), ожидая ускорения до O(log N), но время выросло до 90 мс, а ... | [
"1. Проанализировать размерность: d=128 является зоной 'curse of dimensionality' для tree-based структур; в высоких размерностях KD-Tree деградирует до линейного сканирования + overhead на обход узлов.",
"2. Оценить overhead: sklearn KD-Tree имеет значительные константы на построение и pointer-chasing; для single... | [
"KD-Tree деградирует в высоких размерностях (>30-50); asymptotic complexity не отражает real-world performance",
"NumPy vectorized brute force может быть быстрее tree-based методов из-за hardware utilization и отсутствия pointer-chasing",
"Approximate NN (HNSW) — стандарт де-факто для d>64, но требует явного пр... | [
{
"condition": "Неизвестен требуемый recall (exact vs approximate)",
"correct_behavior": "Не рекомендовать HNSW как безусловное решение; спросить о допустимой ошибке или предложить оба варианта с метриками"
},
{
"condition": "Неизвестно, single query или batch",
"correct_behavior": "Указать, что... | [
"Увеличить leaf_size в KD-Tree (не решит проблему curse of dimensionality, лишь изменит константу)",
"Перейти на Ball Tree (аналогичная деградация в высоких размерностях)",
"Добавить кэширование результатов (не помогает для уникальных запросов)",
"Использовать Cython для ускорения KD-Tree (overhead не в языке... | Tier2 — синтетический бенчмарк: генерируется random data d=128, N=500k; проверяется, что объяснение содержит упоминание curse of dimensionality, предложена approximate method или обоснованная альтернатива, нет рекомендации KD/Ball Tree как основного решения без caveats. | [
"algorithmic_reasoning",
"performance_debugging",
"high_dimensional_data",
"L2"
] | {
"reasoning": "Causal",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | "+3 за корректный анализ precision loss в standard LSE; +2 за предложение compensated/pairwise summation; +1 за учёт performance trade-off; -3 за утверждение, что standard trick достаточно; -2 за naive float128 without justification" | [
"Признать недостаточность standard trick",
"Предложить compensated/pairwise/higher-precision",
"Обосновать выбор через error analysis",
"Предложить verification strategy"
] | LRB-024 | Нужно вычислить log(sum(exp(x_i))) для вектора x длиной 10^6, где max(x) ≈ 750, min(x) ≈ -750, dtype=float64. Прямая формула даёт overflow. Стандартный trick: m + log(sum(exp(x - m))), где m=max(x). Но даже он даёт loss of precision при экстремальном разбросе. Как реализовать numerically stable версию, гарантирующую re... | [
"1. Признать, что standard log-sum-exp trick устраняет overflow, но не решает underflow/cancellation при огромном dynamic range.",
"2. Проанализировать: exp(x_i - m) для x_i << m даёт denormals или zero; sum теряет вклады малых элементов → systematic bias в результате.",
"3. Понять, что float64 имеет ~15-16 dec... | [
"Standard LSE trick предотвращает overflow, но не гарантирует precision при экстремальном dynamic range",
"Float64 имеет ограниченную мантиссу; при range > ~300 порядков underflow неизбежен без специальных мер",
"Compensated/pairwise summation снижает accumulation error; sorting by magnitude помогает сохранить ... | [
{
"condition": "Неизвестно распределение значений внутри диапазона",
"correct_behavior": "Не предполагать uniform; предложить адаптивную стратегию или запросить статистику распределения"
},
{
"condition": "Неизвестны performance constraints",
"correct_behavior": "Указать, что compensated summati... | [
"Просто использовать float128 везде (может быть неприемлемо по памяти/скорости, не объясняет root cause)",
"Добавить epsilon к каждому exp() (маскирует проблему, не решает её)",
"Использовать standard LSE trick и считать его достаточным (игнорирует precision loss)",
"Нормализовать x к [0,1] перед exp (меняет ... | Tier1 — unit test с known-answer на edge cases (extreme range, all-equal, single-dominant). Проверяется: (1) no inf/nan, (2) relative error < 1e-12 vs mpmath reference, (3) объяснение содержит анализ limitations standard trick. | [
"numerical_analysis",
"floating_point_arithmetic",
"scientific_computing",
"L2"
] | {
"reasoning": "Deductive",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | "+4 за идентификацию spec-level проблемы; +3 за объяснение unfairness mechanism; +2 за предложение re-specification; +1 за учёт traffic patterns; -4 за фокус на implementation optimization; -3 за algorithm recommendation без semantic discussion" | [
"Распознать spec ambiguity",
"Объяснить path-dependence exact sliding window",
"Предложить re-specification с fairness criterion",
"Связать algorithm choice с semantic requirements"
] | LRB-025 | Разработать функцию rate_limiter(requests: List[Timestamp], window: Duration, limit: int) -> bool для sliding window rate limiting. Тесты проходят: fixed window, empty list, boundary cases. Но в продакшене при bursty traffic пользователи жалуются на 'unfair throttling': некоторые запросы отвергаются, хотя средняя часто... | [
"1. Распознать, что 'sliding window' неоднозначен: есть sliding window log (exact, O(n)), sliding window counter (approximate, O(1)), и fixed window с overlap.",
"2. Понять, что текущая реализация — exact sliding window log, но она имеет path-dependent behavior: результат зависит от истории, а не только от текуще... | [
"'Sliding window' — ambiguous term; exact sliding window log has memory effects causing unfairness under bursty loads",
"Fairness и exactness — conflicting goals; spec must explicitly choose trade-off",
"Algorithm choice follows from semantic requirements, not vice versa; bug is in spec, not code"
] | [
{
"condition": "Не определено, что значит 'fair' в данном контексте",
"correct_behavior": "Не предлагать single solution; запросить business definition fairness (e.g., p99 latency, max burst tolerance)"
},
{
"condition": "Неизвестны traffic patterns в продакшене",
"correct_behavior": "Предложить... | [
"Оптимизировать binary search (проблема не в performance)",
"Добавить jitter/randomization (маскирует unfairness, не решает)",
"Переключиться на fixed window (меняет semantics, не обсуждает fairness)",
"Увеличить limit (ignores root cause in spec ambiguity)"
] | Tier3 — экспертная оценка (2+ senior engineers). Рубрика: (1) идентифицирована ambiguity в spec, (2) объяснён mechanism unfairness, (3) предложено re-specification с explicit fairness metric, (4) нет рекомендации algorithm без обсуждения semantics. | [
"system_design",
"specification_reasoning",
"distributed_systems",
"cross_cutting",
"L3"
] | {
"reasoning": "Abductive",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | {
"full_credit": "Модель распознаёт сверхлинейность по числам, исключает memory/IO по условию, формулирует гипотезу о нерепрезентативности сэмпла И о data-dependent нелинейности, предлагает профилирование как решающий шаг вместо угадывания.",
"partial_credit": "Указывает на strptime и предлагает профилирование, но ... | "Определить, что 12x-отклонение от линейного = нелинейная сложность → память стабильна исключает утечки → нелинейность data-dependent (exception/regex backtracking на строках, отсутствующих в нерепрезентативном тест-сэмпле) → профилирование подтверждает." | LRB-026 | Скрипт на Python обрабатывает 10 млн строк лога, парсит timestamp и агрегирует по минутам. На тестовом файле (100k строк) отрабатывает за 2 секунды. На полном (10M) — за 40 минут вместо ожидаемых ~200 секунд. CPU загружен на 100% одним ядром, память стабильна ~300MB, диск не является узким местом. Код использует станда... | [
"1. Проверить линейность масштабирования: 100k → 2с, значит 10M при O(n) должно быть ~200с. Реальность 40 мин ≈ 2400с → замедление в 12x относительно линейного. Это признак нелинейной сложности O(n·k) или O(n²) на части данных.",
"2. Память стабильна и невелика → это НЕ утечка и не своп. Значит замедление алгорит... | [
"Соотношение замедления (12x против линейного ожидания) — это диагностический сигнал сложности, а не просто 'медленно'. Именно нелинейность указывает направление.",
"Стабильная память исключает целый класс гипотез (утечки, своп) — это сужение пространства, а не деталь.",
"Тестовый сэмпл почти наверняка нерепрез... | [
{
"condition": "Неизвестно, как именно был получен тестовый сэмпл (первые 100k, случайная выборка или синтетика)",
"correct_behavior": "Явно указать, что репрезентативность сэмпла — критическое неизвестное; если это 'первые N строк', гипотеза о data-dependent нелинейности резко усиливается. Рекомендовать вз... | [
"'strptime медленный, замените его' — частично верно, но не объясняет СВЕРХлинейное замедление; замена strptime даст константный выигрыш, а не устранит нелинейность.",
"'Нужно распараллелить на все ядра / multiprocessing' — маскирует проблему грубой силой, не находит причину; при O(n²) параллелизм лишь отсрочит б... | Tier1 — профилирование (cProfile/py-spy) на срезах разного размера (100k, 1M, 5M) с построением кривой время(n); подтверждение сверхлинейности и локализация hot-функции. Дополнительно: подсчёт доли строк, уходящих в exception-ветку. Детерминированно воспроизводимо на реальном файле. | [
"software_performance",
"L2",
"diagnostic_reasoning"
] | {
"reasoning": "Diagnostic",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | {
"full_credit": "Модель критикует минимум 3 из 4 метрик с правильным механизмом смещения, чётко разделяет attribution и incrementality, отказывается принимать решение на текущих данных и предлагает конкретный эксперимент + когортный пересчёт LTV.",
"partial_credit": "Замечает 1-2 проблемы (например, last-touch bia... | "Распознать, что все 4 метрики завышены в одну сторону (last-touch bias, экстраполированный LTV, expansion-маскировка churn, возможно blended CAC) → понять, что causal-вопрос требует incrementality-эксперимента → отказаться от решения 'увеличить бюджет' до эксперимента и когортного пересчёта." | LRB-027 | Стартап показывает: за 6 месяцев MRR вырос с $40k до $100k (+150%). Отдел продаж просит увеличить бюджет на attribution: 70% новых клиентов 'last-touch' пришли с платной рекламы, значит реклама работает и надо влить ещё. CAC по их расчётам $600, LTV $3000, значит LTV/CAC = 5, отлично. Стоит ли увеличивать рекламный бюд... | [
"1. Не принимать метрики за чистую монету. Проверить, как посчитан каждый показатель, прежде чем делать вывод.",
"2. Last-touch attribution систематически переоценивает нижние каналы воронки (реклама может 'перехватывать' клиентов, уже пришедших из органики/сарафана). 70% last-touch ≠ 70% реального incremental вк... | [
"Каждая из четырёх метрик (attribution, LTV, MRR-рост, CAC) по отдельности выглядит убедительно, но каждая содержит систематическое смещение в сторону завышения эффективности. Задача — увидеть, что все смещения направлены в одну сторону.",
"Last-touch attribution ≠ incrementality. Единственный корректный ответ на... | [
{
"condition": "Неизвестно, как рассчитан LTV и на каком горизонте retention",
"correct_behavior": "Явно пометить LTV как модельную экстраполяцию с высокой неопределённостью; отказаться использовать LTV/CAC=5 как основание для решения без когортных данных."
},
{
"condition": "Неизвестно, CAC blended... | [
"'LTV/CAC=5 > 3, это здорово, увеличивайте бюджет' — принимает завышенную метрику как факт.",
"'70% с рекламы — очевидно она драйвер, масштабируйте' — путает attribution с causation.",
"'MRR вырос на 150%, значит стратегия работает' — игнорирует churn и expansion, смешивает рост с эффективностью канала.",
"'П... | Tier2 — geo-holdout или ghost-ads incrementality-эксперимент на подвыборке рынка (отключить/урезать paid для части аудитории, сравнить conversion lift); пересчёт LTV по фактическим когортным retention-кривым; A/B по бюджету. Результат измеряется реальным incremental MRR, а не attribution. | [
"business_analytics",
"growth_marketing",
"L3",
"critical_reasoning"
] | {
"reasoning": "Causal",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | {
"full_credit": "Модель явно отвергает аргумент 'платиновая=точная', называет минимум 2 из 3 механизмов (дрейф/градиент/CJC), признаёт возможность что обе правы, и настаивает на прослеживаемой калибровке перед решением.",
"partial_credit": "Сомневается в эвристике и предлагает калибровку, но фиксируется на одной п... | "Отвергнуть эвристику 'дороже=точнее' → выделить три конкурирующих механизма (дрейф K, пространственный градиент, ошибка CJC) → понять, что спор двух неоткалиброванных приборов неразрешим → потребовать прослеживаемую калибровку и измерение в точке изделия перед доверием любой из них." | LRB-028 | На заводе термопара K-типа в печи показывает 780°C. Контрольная термопара S-типа рядом показывает 810°C. Оператор говорит: 'K дешёвая и врёт, верим S, она платиновая и точная'. Печь используется для отпуска стали, критично попасть в 800±10°C. Кому верить и что делать? | [
"1. Не принимать 'дороже = точнее' как аргумент. Точность измерения зависит от всей цепи, а не от типа сенсора.",
"2. Разница 30°C при 780-810°C — существенна для процесса с допуском ±10°C. Нужно найти источник расхождения, а не выбрать 'более дорогую' термопару.",
"3. Проверить холодный спай (cold junction com... | [
"'Дорогой платиновый сенсор точнее' — ложная эвристика: без калибровки и правильной установки даже S-тип даёт систематическую ошибку. Тип термопары определяет потенциал точности, а не фактическую точность экземпляра.",
"Две термопары 'рядом' могут обе быть правы: пространственный градиент в печи 30°C реален, и то... | [
{
"condition": "Неизвестно точное расположение и глубина погружения обеих термопар",
"correct_behavior": "Указать, что пространственный градиент может полностью объяснять расхождение; нельзя утверждать 'одна врёт', пока не подтверждена изотермичность точек измерения."
},
{
"condition": "Неизвестна и... | [
"'Верим S-типу, он платиновый и точный' — подмена калибровки эвристикой цены/материала.",
"'Усредним: (780+810)/2 = 795, будем считать так' — статистически необоснованно смешивает возможно-разные точки и возможно-смещённые приборы.",
"'K-тип всегда врёт на высоких температурах, выкинуть' — сверхобобщение; K-тип... | Tier2 — прослеживаемая калибровка обеих термопар по эталону (сухоблочный калибратор + ice-point для проверки CJC); тест на пространственный градиент путём поочерёдного размещения обеих в одной изотермической точке; при необходимости — контрольный замер термокраской/оптическим пирометром на изделии. | [
"metrology",
"industrial_process",
"L2",
"critical_reasoning"
] | {
"reasoning": "Diagnostic",
"data": "Noisy",
"load": "Medium"
} |
null | null | null | null | {
"full_credit": "Модель находит формулу (в любой эквивалентной форме), даёт 392, показывает вывод через разности или факторизацию, И явно обсуждает неединственность/индуктивный характер ответа.",
"partial_credit": "Находит 392 и формулу, но не обсуждает неединственность (ложная уверенность) либо получает результат... | "Конечные разности → постоянные третьи разности ⇒ кубик → распознать a(n)=n²(n+1) → следующий член 392 → явно оговорить неединственность формулы по конечным данным." | LRB-029 | Дана последовательность: 2, 12, 36, 80, 150, 252, ... Найди следующий член и, что важнее, задающую формулу. Оцени, единственна ли она по такому количеству данных. | [
"1. Проверить разности: 12-2=10, 36-12=24, 80-36=44, 150-80=70, 252-150=102. Первые разности: 10,24,44,70,102.",
"2. Вторые разности: 24-10=14, 44-24=20, 70-44=26, 102-70=32. Это 14,20,26,32 — арифметическая прогрессия с шагом 6.",
"3. Третьи разности постоянны (=6) → член задаётся кубическим многочленом от n: ... | [
"Метод конечных разностей превращает угадывание в процедуру: постоянные третьи разности ⇒ кубический многочлен. Это переводит задачу из 'озарения' в вывод.",
"Распознавание факторизованной формы n²(n+1) элегантнее, чем сырые коэффициенты кубика, и легче проверяется, но математически эквивалентно.",
"Ключевой ме... | [
{
"condition": "Дано лишь 6 членов, продолжение формально не определено однозначно",
"correct_behavior": "Указать, что выбирается простейшая гипотеза по принципу Оккама, но существуют другие функции, совпадающие на данных членах и расходящиеся дальше; не выдавать 392 за единственно возможный."
}
] | [
"Угадывать 'закономерность' по первым разностям (10,24,44...) и строить произвольное правило, не дойдя до постоянных разностей.",
"Заявить, что формула единственна и 392 — единственно верный ответ (ложная определённость).",
"Подобрать сложную формулу (например, через факториалы или рекурренту), не заметив прост... | Tier1 — детерминированная проверка: подстановка n=1..6 в a(n)=n²(n+1) должна дать точно исходную последовательность; метод конечных разностей воспроизводимо даёт постоянные третьи разности. Код: assert для всех членов. | [
"mathematics",
"sequences",
"L2",
"inductive_reasoning"
] | {
"reasoning": "Inductive",
"data": "Complete",
"load": "Short"
} |
null | null | null | null | {
"full_credit": "Модель распознаёт спортивную брадикардию как возможную норму, выделяет временной разрыв симптомы/брадикардия, генерирует опасные альтернативы (особенно миокардит), настаивает на доказанной корреляции перед стимулятором, и соблюдает границу 'анализ логики, не директивный диагноз'.",
"partial_credit... | "Распознать контекст-зависимость брадикардии у спортсмена (норма vs патология) → заметить временной разрыв (хроническая брадикардия vs новые симптомы) → искать отдельную причину симптомов, приоритет — исключить миокардит → потребовать доказанную корреляцию симптом-брадикардия перед любым решением о стимуляторе." | LRB-030 | Пациент 34 лет, спортсмен, жалобы: усталость 3 недели, лёгкая одышка при нагрузке. Пульс покоя 38 уд/мин. ЭКГ: синусовая брадикардия, единичные паузы <2с. Врач приёмного насторожен низким пульсом и хочет ставить кардиостимулятор. Какие рассуждения должны предшествовать такому решению? (Ты не ставишь диагноз, а анализир... | [
"1. Первично распознать конкурирующие интерпретации одного признака: пульс 38 у тренированного спортсмена может быть физиологической адаптацией ('спортивное сердце', высокий вагусный тонус), а не патологической брадикардией.",
"2. Base rate / контекст: у выносливых атлетов брадикардия покоя 30-40 и паузы во сне —... | [
"Один и тот же признак (пульс 38) имеет прямо противоположную интерпретацию в зависимости от base rate популяции: у спортсмена это вероятная норма, у пожилого — вероятная патология. Игнорирование контекста ведёт к гипердиагностике.",
"Ключевая логическая развилка — временная: брадикардия у спортсмена хроническая,... | [
{
"condition": "Неизвестно, коррелируют ли симптомы по времени с эпизодами брадикардии/паузами",
"correct_behavior": "Прямо указать, что без Холтера и корреляции симптом-ритм причинная связь недоказана, и это блокирует обоснование стимулятора."
},
{
"condition": "Неизвестен инфекционный анамнез и ла... | [
"'Пульс 38 — это опасная брадикардия, нужен стимулятор' — игнорирует спортивный контекст и base rate, гипердиагностика.",
"'Усталость и одышка из-за низкого пульса, стимулятор всё решит' — наивная причинность, игнорирует временную нестыковку и опасные альтернативы.",
"'Это просто спортивное сердце, отпустить до... | Tier3 — экспертная кардиологическая оценка логической цепочки + фактический диагностический маршрут (Холтер, нагрузочный тест, ЭхоКГ, лабораторные маркеры включая тропонин/ТТГ/ферритин); проверка корреляции симптомов с ритмом до любого решения об имплантации. | [
"clinical_reasoning",
"decision_analysis",
"L3",
"abductive_reasoning"
] | {
"reasoning": "Abductive",
"data": "Incomplete",
"load": "Long"
} |
null | null | null | null | {
"full_credit": "Модель явно доказывает несовместимость требований, ссылается на trade-off свежесть/латентность/нагрузка (в т.ч. PACELC/CAP по смыслу), требует количественные SLO вместо абсолютов, и предлагает несколько точек решения с ценой каждой + возвращает выбор заказчику.",
"partial_credit": "Замечает конфли... | "Распознать несовместимость трёх требований (через CAP/PACELC-логику) → вскрыть скрытые количественные границы 'всегда/никогда' → перевести в SLO (staleness bound, latency, QPS) → предложить карту решений с явной ценой и вернуть заказчику выбор, чем жертвовать." | LRB-031 | Ты проектируешь систему кэширования для API. Требования звучат так: 'кэш должен всегда возвращать актуальные данные и при этом работать очень быстро, никогда не показывать устаревшее и не создавать нагрузку на БД'. Заказчик настаивает на всех условиях одновременно. Как рассуждать? | [
"1. Распознать, что требования содержат фундаментальный конфликт, а не просто список пожеланий. 'Всегда актуальные' (строгая свежесть) и 'быстро + без нагрузки на БД' (кэширование = отложенная/устаревшая копия) — в общем случае несовместимы.",
"2. Формализовать trade-off через известные рамки: это проявление CAP/... | [
"Требование внутренне противоречиво, и первая задача — это распознать и доказать, а не пытаться удовлетворить дословно. Попытка 'сделать всё' — ловушка.",
"Абсолюты ('всегда', 'никогда') почти всегда скрывают неозвученные количественные границы. Работа инженера — извлечь допустимую staleness/latency и превратить ... | [
{
"condition": "Не определена допустимая величина рассогласования (staleness bound) для разных типов данных",
"correct_behavior": "Явно указать, что без этого числа решение невозможно; предложить типовые режимы (строгая свежесть для финансов, TTL для контента) и запросить классификацию данных."
},
{
... | [
"'Просто поставим Redis, он быстрый и решит всё' — инструмент не устраняет фундаментальный trade-off свежесть/латентность.",
"'Сделаем очень короткий TTL, например 1 секунду, и всё будет и свежо, и быстро' — маскирует, что 1с staleness = нарушение 'никогда устаревшего'; не признаёт trade-off явно.",
"'Инвалидац... | Tier2 — нагрузочное/симуляционное тестирование выбранной точки: измерить фактическую p99 latency, QPS к БД и распределение фактической staleness под реалистичным трафиком; подтвердить, что заявленные SLO достигаются, и продемонстрировать цену каждого альтернативного режима (эксперимент/симуляция). | [
"system_design",
"distributed_systems",
"L2",
"requirements_analysis"
] | {
"reasoning": "Deductive",
"data": "Incomplete",
"load": "Medium"
} |
null | null | null | null | {
"full_credit": "Модель объясняет эффект натриевого освещения на цветовосприятие, переосмысляет разногласие свидетелей как согласие в 'тёмный', разделяет ИК-отражательность и видимый цвет, и даёт корректно низкоуверенный вывод об оттенке.",
"partial_credit": "Замечает проблему освещения ИЛИ различие ИК/видимого, н... | "Осознать, что натриевое освещение убивает цветовосприятие → переклассифицировать 'противоречие' свидетелей как согласие в 'тёмный' + шум по оттенку → понять, что ИК-яркость ≠ видимый цвет → выдать низкоуверенный вывод 'тёмный, оттенок неопределим' с явной физической аргументацией." | LRB-032 | Три свидетеля описывают цвет проехавшей ночью машины: A — 'тёмно-синяя', B — 'чёрная', C — 'тёмно-зелёная'. Освещение — натриевые фонари (монохромный жёлто-оранжевый свет). Камера с ИК-подсветкой зафиксировала машину как 'светло-серую'. Какой реальный цвет наиболее вероятен и насколько мы можем быть уверены? | [
"1. Ключевой физический факт: натриевые лампы низкого давления излучают почти монохромный свет (~589 нм, жёлто-оранжевый). При таком освещении цветовое зрение человека фактически не работает — невозможно различить синий/зелёный/чёрный, всё выглядит в оттенках серо-жёлтого. Показания свидетелей о цвете почти не несу... | [
"Освещение натриевыми лампами почти уничтожает цветовую информацию для человеческого глаза — это превращает три 'противоречивых' показания в согласованный сигнал 'тёмный' плюс случайный шум по оттенку. Распознать это физическое ограничение — ядро задачи.",
"ИК-отражательность и видимый цвет — разные физические ве... | [
{
"condition": "Реальный видимый оттенок (синий/зелёный/чёрный) неопределим по данным под монохромным освещением",
"correct_behavior": "Явно заявить, что оттенок установить нельзя; ограничиться выводом о темноте цвета и объяснить физическую причину неопределимости."
},
{
"condition": "Связь ИК-отраж... | [
"'Двое из трёх сказали тёмный оттенок, а камера — серый, значит машина серая' — смешивает ИК-яркость с видимым цветом.",
"'Голосование: синий/чёрный/зелёный — берём среднее или большинство' — трактует случайный шум как валидные независимые измерения.",
"'Свидетели противоречат друг другу, значит показания беспо... | Tier3/Tier2 — экспертная оценка (криминалист/специалист по колориметрии) + при возможности эксперимент: осветить образцы красок разных цветов натриевой лампой и заснять ИК-камерой, проверив, что тёмные ИК-отражающие краски дают именно такую комбинацию показаний. Спектрофотометрия краски при обнаружении авто. | [
"forensic_reasoning",
"sensor_fusion",
"L3",
"epistemic_reasoning"
] | {
"reasoning": "Abductive",
"data": "Noisy",
"load": "Medium"
} |
End of preview. Expand in Data Studio
No dataset card yet
- Downloads last month
- 11