Update README.md

README.md

@@ -23,28 +23,58 @@ pinned: false
 
 ---
 
-## 👥 双轨并行分工与进度规划
+## 👥 分阶段双轨并行工作安排
 
-为了保证在 11.18 前交付高质量的可演示版本，摒弃传统的串行交接，采用**“实验管线”与“统计分析”双轨并行**的敏捷协作模式。两名成员各自负责一条不可替代的产出线，并在关键节点进行交叉验收。
+为了保证在 11.18 前交付高质量的可演示版本，本项目采用**“双轨并行、阶段推进、交叉验收”**的敏捷协作模式。我们将 2 周时间划分为三个明确的阶段，两人各自负责一条独立产出线，在关键节点进行成果汇总与强制验证。
 
-### 🟢 阶段一：基建与冻结（D1 - D5）
+### 🟢 阶段 0：基建与冻结（D1 - D5）
 **核心目标**：跑通全链路，锁定实验参数，消除后期返工风险。
-- **成员 A（管线轨）**：搭建环境与 7B 模型加载；完成 dev 抽样与单题冒烟测试；跑通 Pilot 实验（验证失败率<10%、截断率<5%）；编写 `gen.py` 并验证断点续跑。产出：`ids.json`、`pilot.parquet`。
-- **成员 B（分析轨）**：完成文献矩阵梳理；确定 C/D 分解与 Bootstrap 的数学口径；用 Pilot 数据调通 `analyze.py` 与 `plots.py` 骨架。产出：`metrics_spec.md`。
-- **🔒 交汇点 1（D5 冻结）**：两人逐条对齐 `config.py` 与 `metrics_spec.md`，共同生成并签字 `frozen.json`。**此后 test 开跑，参数一律不准改**。
-
-### 🟡 阶段二：生成与预写（D6 - D9）
-**核心目标**：完成全量数据生成，同时并行推进报告前置写作，确保主结果可验证。
-- **成员 A（管线轨）**：启动正式生成（优先跑 T=0.6 的全部 2 流），监控运行状态；跑完后合并分片，输出 `raw.parquet` 与 `main_stats_A.csv`；输出成本统计 `cost.csv`。
-- **成员 B（分析轨）**：在等待数据生成期间，并行撰写报告 Method、Setup 与 Related Work 草稿；搭建 `recompute.py` 独立复算脚本。
-- **🔒 交汇点 2（D9 独立复算）**：A 交付 `raw.parquet`；B 在 24h 内运行独立脚本复算主结果指标（Greedy Acc, C数, D数），与 A 的产出逐项比对（容差 `1e-6`）。**数值完全一致后方可进入下一阶段**。
-
-### 🔴 阶段三：产出与整合（D10 - D14）
-**核心目标**：将数据转化为统计结论与可视化图表，并行完成报告组装与排练。
-- **成员 B（分析轨）**：运行完整 `analyze.py`，产出主比较区间、增量表、c₅ 分层与敏感性分析；绘制三张核心主图（准确率曲线、C/D 堆叠、c₅ 分组）；撰写 Results 与 Discussion 主体。产出：`tables/`、`figs/`、报告初稿。
-- **成员 A（管线轨）**：整理失败率与计算成本附表；审核报告中的实验设置与成本段落；编写演示文稿中的管线与工程细节页；协助排查错例。产出：成本/失败率附表、演示实验页。
-- **🤝 交汇点 3（D13 结论边界）**：两人基于各自的视角，共同撰写“能说/不能说”段落，防止过度推断。
-- **最终定稿（D14）**：两人联合排练 8 分钟展示，**此后不再修改任何内容**，准备 11.18 答辩。
+- **管线轨（成员 A）**：
+  - 搭建环境与加载 Qwen2.5-7B 模型。
+  - 完成 dev 30 / test 100 数据抽样，并生成冻结快照 `ids.json`。
+  - 跑通 Pilot 实验，验证解析失败率 < 10% 且截断率 < 5%。
+  - 编写并测试核心生成脚本 `gen.py`（验证断点续跑机制）。
+  - **产出**：`ids.json`、`pilot.parquet`、可运行的 `gen.py`。
+- **分析轨（成员 B）**：
+  - 梳理文献矩阵，明确对比基线。
+  - 编写 `metrics_spec.md`，严格定义 C/D 分解、c₅ 分层、配对 Bootstrap 的数学口径。
+  - 使用 Pilot 假数据跑通 `analyze.py` 与 `plots.py` 骨架。
+  - **产出**：`metrics_spec.md`、分析脚本骨架。
+- **🔒 阶段交汇（D5 参数冻结）**：
+  - 双方逐条核对 `config.py` 与 `metrics_spec.md`，确认无误后生成 `frozen.json` 并签字。
+  - **纪律要求**：此后 test 集正式开跑，**任何参数（T、N、Prompt）一律不准修改**。
+
+### 🟡 阶段 1：全量生成与前置写作（D6 - D9）
+**核心目标**：完成 12,100 次全量生成，同时并行推进报告前置章节，确保主结果绝对可验证。
+- **管线轨（成员 A）**：
+  - 启动正式生成（优先跑 T=0.6 的全部 2 流），监控运行状态。
+  - 跑完后合并分片，输出统一的原始数据格式 `raw.parquet` 及管线内部主统计 `main_stats_A.csv`。
+  - 生成计算成本统计表 `cost.csv`。
+  - **产出**：`raw.parquet`、`cost.csv`、`main_stats_A.csv`。
+- **分析轨（成员 B）**：
+  - 并行撰写报告 Method、Setup 与 Related Work 草稿。
+  - 编写独立复算脚本 `recompute.py`。
+  - **产出**：报告前置章节草稿、`recompute.py`。
+- **🔒 阶段交汇（D9 独立复算与数据对齐）**：
+  - ��线轨交付 `raw.parquet`；分析轨在 24 小时内运行独立脚本复算主结果指标（Greedy Acc, C 数, D 数）。
+  - **纪律要求**：双方产出数值必须逐项比对完全一致（容差 `1e-6`）。**验证通过后**，才能解锁后续的统计分析阶段；不一致则必须停下排查解析或合并逻辑。
+
+### 🔴 阶段 2：可靠性分析与产出整合（D10 - D14）
+**核心目标**：将数据转化为统计结论与可视化图表，并行完成报告组装与最终排练。
+- **分析轨（成员 B）**：
+  - 运行完整 `analyze.py`，产出主比较区间、增量表、c₅ 分层与敏感性分析。
+  - 绘制三张核心主图（准确率曲线、C/D 堆叠、c₅ 分组）。
+  - 撰写 Results 与 Discussion 主体。
+  - **产出**：`tables/`、`figs/`、报告初稿。
+- **管线轨（成员 A）**：
+  - 整理失败率与计算成本附表。
+  - 审核报告中的实验设置与成本段落。
+  - 编写演示文稿中的管线与工程细节页；协助排查错例。
+  - **产出**：成本/失败率附表、演示实验页。
+- **🤝 阶段交汇（D13 结论边界）**：
+  - 两人基于各自的视角，共同撰写“能说/不能说”段落，防止过度推断。
+- **最终定稿（D14）**：
+  - 两人联合排练 15 分钟展示，**此后不再修改任何内容**，准备 11.18 答辩。
 
 ---
 
@@ -63,73 +93,74 @@ pinned: false
 
 ---
 
-## 📂 代码结构一览
+## 📂 代码结构（按双轨并行划分）
 
 ```text
 project/
-├── config.py              # 全局配置唯一真源（双方共定）
-├── common.py              # 提示/抽取/采样/投票（基建共享）
+├── config.py              # [全局] 唯一真源：参数配置、种子规则
+├── common.py              # [全局] 提示构造 / 答案抽取 / 投票逻辑
 │
 ├── 【管线轨代码】 ──────────
-├── gen.py                 # 正式生成：分片+断点续跑
-├── merge.py               # 合并与成本统计
-├── degrade.py             # 应急降级脚本
+├── gen.py                 # [阶段1] 正式生成：网格调度 + 断点续跑
+├── merge.py               # [阶段1] 合并分片 + 生成成本统计
+├── degrade.py             # [应急] 超时/失败降级预案
 │
 └── 【分析轨代码】 ──────────
-├── recompute.py           # 独立复算：交叉验证管线数据
-├── analyze.py             # C/D 分解 / c5 分层 / Bootstrap
-└── plots.py               # 三张核心主图绘制
-```
+├── recompute.py           # [阶段1] 独立复算：交叉验证管线数据正确性
+├── analyze.py             # [阶段2] C/D 分解 / c5 分层 / Bootstrap
+└── plots.py               # [阶段2] 三张核心主图绘制
 
 ---
 
 ## 📌 交付标准与验收清单
 
-本项目不仅追求结果，更注重过程的严谨性。的最终展示与提交必须包含以下四件套：
+本项目不仅追求统计结果，更注重过程的可复现性与工程严谨性。围绕三个阶段的推进，11 月 18 日的最终提交必须包含以下交付物，并逐项完成验收：
+
+### 1. 阶段 0 产出：基线与冻结规范
+- [ ] **参数冻结快照**：包含 `ids.json`（Data Split）与 `frozen.json`（Prompt、T、N、Seed 等全局参数）。
+- [ ] **统计口径规范**：包含 `metrics_spec.md`（C/D 分解、c₅ 分层边界、Bootstrap 实现口径），且双方已签字确认。
 
-### 1. 统计结果 (Statistical Results)
+### 2. 阶段 1 产出：原始数据与交叉验证
+- [ ] **原始数据仓库**：完整的 `raw.parquet`（约 2400 行），无重复、无遗漏。
+- [ ] **独立复算记录**：包含 `recompute.py` 脚本及 `handoff2.md` 签字，证明分析轨在独立环境下复算的 Greedy Acc、C 数、D 数与管线轨产出**完全一致（容差 1e-6）**。
+- [ ] **成本与失败率**：`cost.csv` 记录了各配置的 Token 消耗与解析失败率。
+
+### 3. 阶段 2 产出：统计分析结果
 - [ ] **主比较区间**：提供点估计与 95% 配对 Bootstrap 置信区间（基于 2000 次重采样）。
 - [ ] **增量分析**：展示相邻 N 的增量表（明确标注间距不均），并绘制三温度下的准确率曲线。
 - [ ] **C/D 分解**：清晰报告 \(C_N\)（纠错数）与 \(D_N\)（损害数），并绘制堆叠柱状图。
 - [ ] **一致性分层**：展示 \(c_5\) 三层分组（低/中/高）的组内样本量 \(n\)、N=5→20 的增益与区间（若 \(n<30\) 需标注“不稳定”）。
 - [ ] **敏感性分析**：提供“无效票计入分母”条件下的 \(c_5\) 对比附表。
 
-### 2. 可复现代码仓库 (Reproducible Repo)
-- [ ] 包含 `ids.json` 与 `frozen.json` 的冻结快照。
-- [ ] 包含完整的生成管线（`gen.py`）与分析脚本（`analyze.py`）。
-- [ ] 提供环境依赖文件（`requirements.txt`）。
-
-### 3. 最终报告 (Final Report)
-- [ ] 严格使用 ICLR 2027 MT_E 模板，正文控制在 **≤9 页**（附录不限）。
-- [ ] 包含“与 Proposal 的差异”说明（如：因时间约束，测试集降至 100 题，可检出效应约 ≥7pp）。
-- [ ] 附录包含：核心代码骨架、指标公式汇总、成员贡献声明、AI 工具使用声明。
-
-### 4. 演示材料 (Presentation)
-- [ ] 15 分钟的高质量展示（含三张核心主图 + 一页“没发现什么”的负结果/边界声明）。
+### 4. 最终报告与演示 (Final Report & Presentation)
+- [ ] **报告格式**：严格使用 ICLR 2027 MT_E 模板，正文控制在 **≤9 页**（附录不限）。
+- [ ] **差异声明**：包含“与 Proposal 的差异”说明（如：因时间约束，测试集降至 100 题，可检出效应约 ≥7pp）。
+- [ ] **附录规范**：包含核心代码骨架、指标公式汇总、成员贡献声明、AI 工具使用声明。
+- [ ] **演示材料**：15 分钟的高质量展示（含三张核心主图 + 一页“没发现什么”的负结果/边界声明）。
 
 ---
 
-## 🛡️ 核心代码示例：跨成员独立复算 (Double-Check)
+## 🛡️ 核心代码示例：跨轨独立复算 (Cross-Track Validation)
 
-为了保证数据的绝对可靠性，本项目在 D9 设立了严格的交叉验证机制。**分析轨将使用独立编写的 recompute.py 从底层原始数据重新计算主结果，与管线轨的输出进行逐项比对（容差 1e-6），一致后方可进入正式分析与报告撰写阶段。**
+为了打破“一人跑数据、一人写报告”的串行反模式，本项目在**阶段 1 末尾（D9）**设置了强制验证点。**分析轨必须使用独立的 `recompute.py` 从底层原始数据重新计算主结果，与管线轨的产出逐项比对，一致后方可解锁阶段 2 的正式分析。**
 
 ```python
-# recompute.py - 由成员 B 独立编写与执行（不 import 成员 A 的分析代码）
+# recompute.py - 由分析轨独立编写与执行（不 import 管线轨的分析代码）
 import pandas as pd
 import config as C
 
 def verify_main_results():
-    # 1. B 独立读取底层数据
+    # 1. 分析轨独立读取底层数据
     df = pd.read_parquet(C.RAW_PARQUET)
     
-    # 2. B 独立计算核心指标
+    # 2. 独立计算核心指标
     greedy_acc = df.drop_duplicates("qid").greedy_correct.mean()
     main_df = df[(df.T == C.MAIN_T) & (df.N == C.MAIN_N)]
     main_acc = main_df.correct.mean()
     C_count = int(((~main_df.greedy_correct) & main_df.correct).sum())
     D_count = int((main_df.greedy_correct & (~main_df.correct)).sum())
     
-    # 3. 与成员 A 的产出一一比对
+    # 3. 与管线轨的产出一一比对
     ref = pd.read_csv(C.MAIN_STATS_A).iloc[0]
     checks = {
         "greedy_acc": (greedy_acc, ref.greedy_acc),
@@ -138,11 +169,11 @@ def verify_main_results():
         "D":          (D_count, int(ref.D))
     }
     
-    # 4. 强制一致性校验（不通过则阻断流水线）
+    # 4. 强制一致性校验（不通过则阻断流水线，进入阶段 2）
     for k, (v, r) in checks.items():
-        assert abs(float(v) - float(r)) < 1e-6, f"{k} 数值不一致！A={r}, B={v}"
+        assert abs(float(v) - float(r)) < 1e-6, f"{k} 数值不一致！管线轨={r}, 分析轨={v}"
     
-    print("✅ [交接点 2 通过] 成员 B 独立复算成功，数据一致性校验通过。")
+    print("✅ [阶段 1 闸门通过] 独立复算成功，数据一致性校验通过，解锁阶段 2。")
 
 if __name__ == "__main__":
     verify_main_results()
@@ -150,31 +181,37 @@ if __name__ == "__main__":
 
 ---
 
-## 📅 项目时间线 (2-Week Sprint to D-Day)
+## 📅 项目时间线 (三阶段冲刺计划)
+
+为了确保在 11.18 前交付高质量的版本，团队采用“三阶段”并行推进，并在关键节点设立硬闸门：
+
+- **[阶段 0] 基建与冻结 (11.04 - 11.08)**：
+  - 11.04 - 11.05：环境搭建、数据抽样冻结、文献矩阵梳理。
+  - 11.06 - 11.07：Pilot 测试跑通，分析脚本骨架联调。
+  - **11.08 (硬闸门 1)**：双方签字确认 `frozen.json` 与 `metrics_spec.md`，**此后 test 集正式开跑，参数一律不准改**。
+
+- **[阶段 1] 生成与验证 (11.09 - 11.12)**：
+  - 11.09 - 11.11：管线轨启动全量生成（优先跑 T=0.6），分析轨撰写 Method/Setup 草稿。
+  - **11.12 (硬闸门 2)**：管线轨交付 `raw.parquet`；分析轨 24h 内跑通独立复算，**数值不一致不推进**。
 
-为了确保交付高质量的展示版本，采用倒排期管理，将 2 周时间精确到天，并设置了三个“不通过不推进”的硬交接点：
+- **[阶段 2] 分析与交付 (11.13 - 11.17)**：
+  - 11.13 - 11.15：输出四件套（主比较、增量、C/D、c₅），完成三图绘制与报告主体。
+  - **11.16 (硬闸门 3)**：共同撰写“能说/不能说”的 Discussion 边界。
+  - **11.17 (最终定稿)**：15 分钟展示排练，设备检查。**此后不再修改任何内容**。
 
-- **[D1-D2] 需求冻结 (11.04 - 11.05)**：环境搭建、数据抽样冻���（Test 100 / Dev 30）、文献矩阵梳理。
-- **[D3-D4] Pilot 与骨架 (11.06 - 11.07)**：跑通小网格测试，分析脚本与绘图模板使用 Pilot 数据联调。
-- **[D5] 🔒 硬闸门：参数冻结 (11.08)**：双方签字确认 `frozen.json` 与 `metrics_spec.md`，此后不得单方面修改实验口径。
-- **[D6-D8] 正式生成 (11.09 - 11.11)**：A 启动断点续跑生成（优先跑完 T=0.6），B 同步撰写 Method/Setup 草稿。
-- **[D9] 🚦 硬闸门：独立复算 (11.12)**：A 交付 `raw.parquet`，B 必须在 24h 内跑通 `recompute.py` 并签字，否则触发降级预案。
-- **[D10-D12] 分析与产出 (11.13 - 11.15)**：输出主比较区间、C/D 分解、c5 分层；B 完成主图绘制，A 完成实验演示页。
-- **[D13] 🤝 硬闸门：结论边界 (11.16)**：共同撰写“能说/不能说”的 Discussion 段落，防止过度推断。
-- **[D14] 最终定稿与排练 (11.17)**：15分钟展示排练，设备检查。**此后不再修改任何内容**。
 - **[D-Day] 项目展示 (11.18)** 🎯
 
 ---
 
 ## 📜 学术规范与声明 (Academic Integrity)
 
-作为课程项目的重要组成部分，将严格遵守学术规范，并在最终报告中作如下声明：
+作为课程项目的重要组成部分，本项目严格遵守学术规范，并在最终报告中作如下声明：
 
 ### 成员贡献声明 (CRediT)
-本项目采用双轨并行模式，两位成员对项目成功做出同等贡献：
-- **成员 A (实验管线轨)**：负责模型部署与显存调度、提示与解析规则验证、12,100次生成的网格调度与断点续跑；负责原始数据落盘及计算成本/失败率统计；撰写报告中实验设置与工程细节部分；参与结论边界撰写。
-- **成员 B (统计与分析轨)**：负责 C/D 分解与配对 Bootstrap 实现、c₅ 分层与敏感性分析、全部核心图表绘制；在 D9 建立独立复算脚本对管线数据执行强制交叉验证；撰写报告中的文献综述、统计结果与讨论主体。
-- **共同承担**：研究问题定义、主比较口径决策、参数冻结（D5）、结论边界撰写（D13）、报告交叉互审与联合排练。
+本项目采用三阶段双轨并行模式，两位成员对项目成功做出了同等贡献：
+- **成员 A (管线轨)**：负责阶段 0 的环境搭建与参数冻结；负责阶段 1 的 12,100 次生成任务调度、断点续跑与原始数据落盘；负责阶段 2 的工程细节段落撰写；参与结论边界撰写。
+- **成员 B (分析轨)**：负责阶段 0 的评估口径约定；负责阶段 1 的前置章节撰写；负责阶段 2 的 C/D 分解、c₅ 分层、Bootstrap 区间计算与图表绘制。**并在阶段 1 末尾建立独立复算脚本，对管线数据执行强制交叉验证**。
+- **共同承担**：研究问题定义、主比较口径决策、各阶段交汇点签字、结论边界撰写、报告交叉互审与最终排练。
 
 ### AI 工具使用声明 (AI Usage)
 本项目在以下环节使用了生成式 AI 工具辅助：