research(jev-intent): fix2 把来源 B 现行与高置信错误补进报告

离线从 cache 聚合，不重跑模型。无焦点层 Flash 69.7% 低于 Jev 78.8%。采集层相对门槛标不可判。

docs/research/jev_intent_2026_09_19.json

@@ -244,6 +244,180 @@
         "cost_usd": 0.001293768
       }
     },
+    "current_source_b": {
+      "n": 157,
+      "unavailable": 0,
+      "intent_acc": 0.89171974522293,
+      "answer_class_acc": 0.9702970297029703,
+      "answer_class_n": 101,
+      "dated_acc": 0.9363057324840764,
+      "all_acc": 0.8407643312101911,
+      "high_conf_error_rate": null,
+      "low_conf_coverage": null,
+      "low_conf_recall": null,
+      "no_vs_unsure": 0,
+      "median_ms": 685.0,
+      "p95_ms": 938.0,
+      "mean_input_tokens": 516.6496815286624,
+      "cost_usd": 0.0034067880000000004
+    },
+    "current_source_b_by_layer": {
+      "choice": {
+        "n": 17,
+        "unavailable": 0,
+        "intent_acc": 0.8823529411764706,
+        "answer_class_acc": 1.0,
+        "answer_class_n": 1,
+        "dated_acc": 0.8823529411764706,
+        "all_acc": 0.8823529411764706,
+        "high_conf_error_rate": null,
+        "low_conf_coverage": null,
+        "low_conf_recall": null,
+        "no_vs_unsure": 0,
+        "median_ms": 657.0,
+        "p95_ms": 763.0,
+        "mean_input_tokens": 450.5882352941176,
+        "cost_usd": 0.00032172
+      },
+      "collect": {
+        "n": 107,
+        "unavailable": 0,
+        "intent_acc": 0.9532710280373832,
+        "answer_class_acc": 0.97,
+        "answer_class_n": 100,
+        "dated_acc": 0.9439252336448598,
+        "all_acc": 0.8785046728971962,
+        "high_conf_error_rate": null,
+        "low_conf_coverage": null,
+        "low_conf_recall": null,
+        "no_vs_unsure": 0,
+        "median_ms": 689.0,
+        "p95_ms": 938.0,
+        "mean_input_tokens": 528.9345794392524,
+        "cost_usd": 0.0023770320000000003
+      },
+      "none": {
+        "n": 33,
+        "unavailable": 0,
+        "intent_acc": 0.696969696969697,
+        "answer_class_acc": null,
+        "answer_class_n": 0,
+        "dated_acc": 0.9393939393939394,
+        "all_acc": 0.696969696969697,
+        "high_conf_error_rate": null,
+        "low_conf_coverage": null,
+        "low_conf_recall": null,
+        "no_vs_unsure": 0,
+        "median_ms": 715.0,
+        "p95_ms": 978.0,
+        "mean_input_tokens": 510.8484848484849,
+        "cost_usd": 0.0007080360000000001
+      }
+    },
+    "source_b_jev_self_consistency": {
+      "all": 0.9617834394904459,
+      "choice": 0.9411764705882353,
+      "collect": 0.9906542056074766,
+      "none": 0.8787878787878788
+    },
+    "source_b_none_confusion": {
+      "jev": {
+        "labels": [
+          "provide_new_evidence",
+          "stop_rectification",
+          "ask_about_result",
+          "unclear",
+          "answer_current_focus"
+        ],
+        "counts": {
+          "provide_new_evidence": {
+            "provide_new_evidence": 24,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 0
+          },
+          "stop_rectification": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 0
+          },
+          "ask_about_result": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 1,
+            "unclear": 0,
+            "answer_current_focus": 0
+          },
+          "unclear": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 1,
+            "answer_current_focus": 7
+          },
+          "answer_current_focus": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 0
+          }
+        },
+        "other": 0,
+        "n": 33
+      },
+      "current": {
+        "labels": [
+          "provide_new_evidence",
+          "stop_rectification",
+          "ask_about_result",
+          "unclear",
+          "answer_current_focus"
+        ],
+        "counts": {
+          "provide_new_evidence": {
+            "provide_new_evidence": 21,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 3
+          },
+          "stop_rectification": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 0
+          },
+          "ask_about_result": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 1,
+            "answer_current_focus": 0
+          },
+          "unclear": {
+            "provide_new_evidence": 1,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 2,
+            "answer_current_focus": 5
+          },
+          "answer_current_focus": {
+            "provide_new_evidence": 0,
+            "stop_rectification": 0,
+            "ask_about_result": 0,
+            "unclear": 0,
+            "answer_current_focus": 0
+          }
+        },
+        "other": 0,
+        "n": 33
+      }
+    },
     "representativeness": {
       "note": "来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。",
       "fail": true,
@@ -101740,7 +101914,7 @@
   },
   "conclusion": {
     "verdict": "缺数据",
-    "reason": "来源 B 与来源 C 同层 intent 准确率差 > 10pp，模拟语料不代表真人，来源 C 门槛结论降为缺数据。来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。 同时来源 C 绝对门槛未过：低置信召回 23.1% / 45.5% / 25.0% < 60%（错了却仍高置信）。 相对 −3pp（同一样本）：choice Jev 99.0% vs 现行 98.8%（门槛 95.8%，过）；collect Jev 92.2% vs 现行 97.5%（门槛 94.5%，未过）；none Jev 96.0% vs 现行 94.0%（门槛 91.0%，过）。",
+    "reason": "来源 B 与来源 C 同层 intent 准确率差 > 10pp，模拟语料不代表真人，来源 C 门槛结论降为缺数据。来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。 同时来源 C 绝对门槛未过：低置信召回 23.1% / 45.5% / 25.0% < 60%（错了却仍高置信）。 相对 −3pp（同一样本）：choice Jev 99.0% vs 现行 98.8%（门槛 95.8%，过）；collect Jev 92.2% vs 现行 97.5%（门槛 94.5%，不可判（复核与对照同源））；none Jev 96.0% vs 现行 94.0%（门槛 91.0%，过）。",
     "if_connect": "不得上线。先补真机样本或重造更像真人的来源 C，再测。"
   }
 }

docs/research/jev_intent_2026_09_19.md

@@ -15,7 +15,7 @@
 
 ## 结论
 
-**缺数据**。来源 B 与来源 C 同层 intent 准确率差 > 10pp，模拟语料不代表真人，来源 C 门槛结论降为缺数据。来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。 同时来源 C 绝对门槛未过：低置信召回 23.1% / 45.5% / 25.0% < 60%（错了却仍高置信）。 相对 −3pp（同一样本）：choice Jev 99.0% vs 现行 98.8%（门槛 95.8%，过）；collect Jev 92.2% vs 现行 97.5%（门槛 94.5%，未过）；none Jev 96.0% vs 现行 94.0%（门槛 91.0%，过）。
+**缺数据**。来源 B 与来源 C 同层 intent 准确率差 > 10pp，模拟语料不代表真人，来源 C 门槛结论降为缺数据。来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。 同时来源 C 绝对门槛未过：低置信召回 23.1% / 45.5% / 25.0% < 60%（错了却仍高置信）。 相对 −3pp（同一样本）：choice Jev 99.0% vs 现行 98.8%（门槛 95.8%，过）；collect Jev 92.2% vs 现行 97.5%（门槛 94.5%，不可判（复核与对照同源））；none Jev 96.0% vs 现行 94.0%（门槛 91.0%，过）。
 
 若接：不得上线。先补真机样本或重造更像真人的来源 C，再测。
 
@@ -41,18 +41,49 @@
 
 同一样本上 Jev vs 现行（相对门槛用这一表）：
 
-| 层 | n | Jev intent | 现行 intent | 差（Jev−现行） | 门槛现行−3pp |
-| --- | ---: | ---: | ---: | ---: | ---: |
-| choice | 400 | 99.0% | 98.8% | 0.2% | 95.8% |
-| collect | 400 | 92.2% | 97.5% | -5.2% | 94.5% |
-| none | 100 | 96.0% | 94.0% | 2.0% | 91.0% |
+| 层 | n | Jev intent | 现行 intent | 差（Jev−现行） | 门槛现行−3pp | 判定 |
+| --- | ---: | ---: | ---: | ---: | ---: | --- |
+| choice | 400 | 99.0% | 98.8% | 0.2% | 95.8% | 过 |
+| collect | 400 | 92.2% | 97.5% | -5.2% | 94.5% | 不可判（复核与对照同源） |
+| none | 100 | 96.0% | 94.0% | 2.0% | 91.0% | 过 |
 
 ## 代表性检验（来源 B vs 来源 C）
 
-来源 B 已标注 157 条（点选 17 / 采集 107 / 无焦点 33；未标注 0），长度 P25/中位/P75/最长 = 12/21/28/172。人工标注，未用模型代标。Jev 在来源 B 上 intent：点选 94.1%、采集 94.4%、无焦点 78.8%；全集 91.1%。无焦点层差 17.2pp > 10pp。
-
 来源 B 与来源 C 同层 intent 准确率：choice B 94.1% vs C 99.0%（差 4.9%，n_B=17）；collect B 94.4% vs C 92.2%（差 2.1%，n_B=107）；none B 78.8% vs C 96.0%（差 17.2%，n_B=33）。 有层差 > 10pp，结论降为缺数据。
 
+来源 B 是真人 + 人工标注 + 线上模型三者齐备的唯一一组。现行无置信度，置信度三列为空。
+
+| 范围 | n | Jev intent | 现行 intent | Jev 高置信错误 | Jev 低置信召回 | Jev 自洽 |
+| --- | ---: | ---: | ---: | ---: | ---: | ---: |
+| 全集 | 157 | 91.1% | 89.2% | 6.4% | 24.1% | 96.2% |
+| choice | 17 | 94.1% | 88.2% | 0.0% | 66.7% | 94.1% |
+| collect | 107 | 94.4% | 95.3% | 5.6% | 18.2% | 99.1% |
+| none | 33 | 78.8% | 69.7% | 12.1% | 20.0% | 87.9% |
+
+无焦点层现行 intent 69.7%、Jev 78.8%。现行更低，说明 78.8% 主要是这 33 条本身难，不是单 Jev 不行。
+
+无焦点层 gold × 预测混淆计数（只有计数，无原文）。预测出现 `answer_current_focus` 是因为模型把无焦点句当成在回答采集题。
+
+### gold × Jev（n=33）
+
+| gold \ pred | provide_new_evidence | stop_rectification | ask_about_result | unclear | answer_current_focus |
+| --- | ---: | ---: | ---: | ---: | ---: |
+| provide_new_evidence | 24 | 0 | 0 | 0 | 0 |
+| stop_rectification | 0 | 0 | 0 | 0 | 0 |
+| ask_about_result | 0 | 0 | 1 | 0 | 0 |
+| unclear | 0 | 0 | 0 | 1 | 7 |
+| answer_current_focus | 0 | 0 | 0 | 0 | 0 |
+
+### gold × 现行（n=33）
+
+| gold \ pred | provide_new_evidence | stop_rectification | ask_about_result | unclear | answer_current_focus |
+| --- | ---: | ---: | ---: | ---: | ---: |
+| provide_new_evidence | 21 | 0 | 0 | 0 | 3 |
+| stop_rectification | 0 | 0 | 0 | 0 | 0 |
+| ask_about_result | 0 | 0 | 0 | 1 | 0 |
+| unclear | 1 | 0 | 0 | 2 | 5 |
+| answer_current_focus | 0 | 0 | 0 | 0 | 0 |
+
 ## 置信度–准确率曲线与 θ
 
 推荐 θ = 0.9。点：
@@ -154,6 +185,25 @@
 | 若同一句话既明确否定当前采集题又补充了新的带时间经历，intent 仍为 answer_current_focus 且 answer_class 为 no，不要改成 provide_new_evidence。 | Code keeps no + Noul true. Jev intent/Noul are independent. | Jev may split this pair; code does not re-vote intent from the Noul. |
 | 不要按关键词表或正则猜测，只根据当前问题与用户这句话的语义分类。 | Not sent. Jev has no keyword table in the question. | The meta-instruction is dropped (Jev answers the written question, not the intended one). |
 
+## 限制
+
+1. **复核 ≈ 生产提示，且复核模型 = 对照模型。** `REVIEW_RUBRIC` 与生产 `COLLECT_INSTRUCTIONS` 逐句对应；生成 / 复核 / 对照都是 `deepseek-flash`。进入测试集的 900 条是「Flash 用近生产提示能答对目标标签」的那 900 条，被剔的 36 条恰是 Flash 不同意的。因此来源 C 上现行 97.5% / 98.8% / 94.0% 是构造出来的上界。采集层「Jev 92.2% 未过相对门槛 94.5%」**不可当作 Jev 输给现行的证据**。
+2. **采集层 intent 错例的 gold 有争议。** 来源 C 采集层 Jev intent 错例 31 条：`provide_new_evidence → answer_current_focus` 17、`unclear → answer_current_focus` 9、`stop → unclear` 4、`ask → unclear` 1。17 条 pne 几乎全是「另外 2019 年我换工作搬了家」句式，若干尾句落在当前题域，按生产提示可读成 `answer_current_focus + unsure`。9 条 unclear（「一时半会儿真捋不明白」）按「记不清 → unsure」也读得通。两类合计 ≥ 20 条，占该层 intent 错例约 2/3。gold 来自「生成目标 + Flash 复核同意」，不等于人工真值。改写示例：
+   - 「另外 2019 年换过工作，感情那会儿真没细想。」gold=provide_new_evidence；可读成在回答感情采集题。
+   - 「另外 2019 年搬了家，工作那摊子反而没顾上细想。」gold=provide_new_evidence；可读成在回答工作采集题。
+   - 「这事我一时真说不上来。」gold=unclear；按生产提示是 unsure。
+3. **语料仍不像真人。** 修复单 1 只把长度和人设写成硬红线（已过）。原单还要求按来源 B 的标点 / 语气词比例约束，未进红线：
+
+| 指标 | 来源 B（真人） | 来源 C（模拟） |
+| --- | ---: | ---: |
+| 含标点 | 13% | 98.9% |
+| 含语气词（吧/呢/啊/嗯/哦/额/emm） | 4% | 25.6% |
+| 含年份或月份 | 81% | 47.8% |
+| 带年份句里写「2019」 | — | 236 / 429 = 55% |
+| `provide_new_evidence` 里是搬家/换工作 | — | 152 / 157 |
+
+根因：生成脚本 `ALT_EVENT_HINTS` 给七个领域的「另一件事」全是搬家/换工作，年份未约束，模型收敛到「另外 2019 年搬过家」。这解释了模拟语料不代表真人的一部分，也解释了采集层错例为何长得一样。本单不修，留给产品决定是否再造一轮。
+
 ## 回退
 
 任何上线方案必须保留回退到现行会话模型的路径。官方限流会动态调整。