# 83K 子集 — 抽样结果与验收

生成于 `05_select.py`（seed=0, alpha=0.5, floor=300）。

## 硬检查

- 记录数 **83,000**（目标 83,000）— ✅
- 不同媒体 **71,224** 个，落盘 **428.9 GiB**
- 缺失媒体 **0** 个，零字节 **0** 个 — ✅
- QA 对 **279,679**

## 分布对照

![](out/figs/cmp_shares.png)

| cohort   |   cap_pairs |   cap_median_wc |         oe_pairs |   oe_median_awc |   oe_short_le3 |   oe_dup_q |
|:---------|------------:|----------------:|-----------------:|----------------:|---------------:|-----------:|
| full     |      178510 |             308 |      4.66152e+06 |              15 |         0.0591 |     0.3337 |
| selected |        9103 |             327 | 229634           |              15 |         0.0239 |     0.2172 |
| random   |        9090 |             303 | 236820           |              15 |         0.0565 |     0.2245 |


## MC 长度捷径（盲选最长选项的准确率）

| 全量 | 同规模随机 | **本子集** |
|---|---|---|
| 51.23% | 51.01% | **49.79%** |

守门阈值是全量 +1.0 个百分点；实际发生 0 次换入。

## 向量空间覆盖度

三个粒度下对比"覆盖式抽样"和"同规模纯随机"（`09_coverage_probe.py`）：

| 粒度 | 子集 | 命中簇 | 命中率 | Gini | 单簇最大样本数 |
|---|---|---|---|---|---|
| 全池 k=2000 | 覆盖式 | 1,753 | 87.6% | **0.541** | — |
| | 随机 | 1,748 | 87.4% | 0.561 | — |
| 全池 k=8300 | 覆盖式 | 5,106 | 61.5% | **0.697** | **161** |
| | 随机 | 5,037 | 60.7% | 0.712 | 287 |
| 最大层 k=2004<br>(oe/0-30s/youtube, 418K→20,045) | 覆盖式 | 1,950 | 97.3% | **0.341** | **45** |
| | 随机 | 1,941 | 96.9% | 0.394 | 52 |

**结论要分开看，不能笼统说"覆盖更好"：**

- **命中率上没有意义的差别**（61.5% vs 60.7%、97.3% vs 96.9%）。
  在 5% 采样率下这个指标已经饱和 —— 随机抽也能碰到绝大多数簇，
  所以"命中多少个簇"根本区分不出两种策略。一开始就不该拿它当主指标。
- **抗过度集中上有真实收益**：单簇最大样本数从随机的 287 降到 161（全池）、
  52 降到 45（层内）；Gini 从 0.712 → 0.697、0.394 → 0.341。
  这才是 `alpha=0.5` 实际起作用的地方 —— 它压的是密集题材簇的过采样，
  不是去开拓新区域。

顺带记录一个被这个探针抓出来的 bug：最初的余数分配把 floor 之后的缺口
一次性全给了"剩余空间最大"的那个簇，结果子集在单簇里堆了 **775** 个样本
（随机只有 52），等于把展平反向做成了集中。改成最大余数法逐个发放后才有上表的结果。

## 产物

```
annotations/   与上游同 schema，按原文件切分 + all_sampled.json
videos/        mp4，保持原相对路径
frames/        llava_hound 的帧目录
manifest.parquet | .csv
```