docs(tasks): Jev intent v2 acceptance — gold dispute fix brief

Report 0b68fa97 recomputes, but its verdict rests on 133 rows where
both Jev and Flash contradict gold=unclear. Product reviews those rows
plus 20 controls; recompute offline. Context variants gave no gain.

Co-Authored-By: Claude Fable 5.1 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_0199rbQDTsUbCVw84wc8BTFe

docs/tasks/README.md

@@ -295,7 +295,8 @@
 
 | `TASK-rectification-cluster-width-research-20260914.md` | `PROGRESS-rectification-cluster-width-research-20260914.md` | **研究单**：上一轮证明调权重改不动交付区间宽度——所有方案宽度中位数都等于整个搜索窗。先确认 sweep 的宽度口径是否含淘汰（M0），再画簇结构像（M1），最后量三个改法：放宽簇上限、按分差决定是否合并、交付区间改分位覆盖（M2）。真值覆盖率不得下降 | 已验收（结论收入定论页 `docs/research/rectification_minute_resolution_closure_2026_09_14.md`，`a643452b`） | `cf972f40` |
 | `TASK-rectification-jev-intent-classifier-research-20260919.md` | `PROGRESS-rectification-jev-intent-classifier-research-20260919.md` | **研究单**：TypeSafe Jev（只做 Choice/Score/Noul 的校准判断模型，$0.042/Mtok）能否接管校正流的意图分类。产品 09-19 授权评估（推翻 09-15「分类只用贵模型」需重新拍板）。Agent 模拟校正流造 ≥900 条中文语料（标签先定、独立复核）+ 真机样本做代表性锚，量准确率 / 高置信错误率 / 低置信召回 / 延迟；只离线测，不改线上 | **关单**（产品 2026-09-19 拍板）：结论 **缺数据**，Jev 不接管、不影子双跑、不再造语料；09-15「分类只用贵模型」口径维持 | 真人 157 条：Jev intent 91.1% vs 线上 Flash 89.2%，无焦点层两边都差（78.8% / 69.7%，同一错模式）；挡住上线的是 Jev 置信度不可用：高置信错误全集 6.4% / 无焦点 12.1% > 3%，低置信召回 24%。fix2 507ef959 已验收通过 |
-| `TASK-rectification-jev-intent-classifier-research-v2-20260927.md` | `PROGRESS-rectification-jev-intent-classifier-research-v2-20260927.md` | **研究单 v2**：Magpie 把上一轮决策塞进 Jev state 后路由效果大改；核实 TypeSafe 仍只有 `jev-1.13.0`（与 09-19 同版本），变量只在喂法。产品 09-27 授权：重抽真人来源 B（带 `case_id` 与上一轮，推翻 09-19「不再造语料」），state 三变体 V0/V1(+上一轮)/V2(+上一轮决策+承接 Noul)，门槛沿用 09-19 不放宽；不接管、不影子双跑维持 | **待验收**（结论缺数据：有上一轮 0 条，V1/V2 与 Flash+V1 未跑） | 分支 `codex/jev-intent-v2-20260927`；V0 重算与 09-19 一致（真人 Jev 91.1% / Flash 89.2%，无焦点 unclear→答题 7）；报告 `docs/research/jev_intent_2026_09_27.md` |
+| `TASK-rectification-jev-intent-classifier-research-v2-20260927.md` | `PROGRESS-rectification-jev-intent-classifier-research-v2-20260927.md` | **验收未通过→修复单**（`0b68fa97` 报告数字可重算，但「缺数据 / 过不了门」建立在 133 条 gold=unclear 争议行上：两模型一致判 answer，敏感性下 Jev V0 intent 98.0%、高置信错误 0%；与 gold 无关的发现：V1/V2 比 V0 差、承接规则 0 次触发） | 修复单 `TASK-rectification-jev-intent-classifier-research-v2-fix-20260927.md`：产品复核 133 争议行 + 20 对照行，回写后 `--from-report` 零费用重算 |
+| `TASK-rectification-jev-intent-classifier-research-v2-fix-20260927.md` | `PROGRESS-rectification-jev-intent-classifier-research-v2-20260927.md` | **修复单**：v2 报告的 gold 争议复核。执行方出本机复核表（133 争议 + 20 对照），产品按生产提示口径判定，执行方回写 `product_review` 后离线重算；对照一致 < 16/20 则判全量标注不可信 | **待执行**（2026-09-27 推 staging；验收前不推 staging） | 不再调 API；结论三选一 + 独立发现「上一轮喂法无收益」 |
 
 | `TASK-rectification-minute-resolution-research-20260914.md` | `PROGRESS-rectification-minute-resolution-research-20260914.md` | **研究单**：候选分不开的根因是打分尺度——窗口内恒定项 11.5 分 vs 随分钟变化项 2.125 分（≈5:1）。先修封存基准（v3 每例仅 3 件事且被标 invalidated）出 v4，再离线量五个改法：分盘除数、去底座、**KP 宫头子主计分（产品 09-14 拍板，推翻 BUG-325 一条红线）**、年精度事件改边际似然、聚类签名层对齐。有收益才立实现单 | 已验收（结论收入定论页 `docs/research/rectification_minute_resolution_closure_2026_09_14.md`，`a643452b`） | `2d2467dc` |
 

docs/tasks/TASK-rectification-jev-intent-classifier-research-v2-fix-20260927.md

@@ -0,0 +1,91 @@
+# TASK · Jev 意图 v2 修复单：gold 争议复核（2026-09-27）
+
+- 类型：研究单修复（离线；**不需要再调任何模型 API**，全部从已提交 JSON 重算）
+- 基线：`origin/codex/jev-intent-v2-20260927` @ `0b68fa97`（其上游 `origin/staging` @ `fdb7087b`）
+- 执行分支：继续在 `codex/jev-intent-v2-20260927` 上提交；**验收前不推 staging**
+- 原单：`TASK-rectification-jev-intent-classifier-research-v2-20260927.md`；报告 `docs/research/jev_intent_2026_09_27.md`
+
+## 1. 验收结论（对照原单逐条）
+
+| 项 | 结论 | 证据 |
+| --- | --- | --- |
+| T1 重抽来源 B（带上一轮） | **通过** | 715 条 / 有上一轮 634；`git ls-tree` 无原文；JSON `rows` 无任何用户文本字段 |
+| T2 三变体 + 测试 | **通过** | `python3 -m unittest tests.test_jev_intent_research` 16 passed（staging 基线 15，任务书起点 11）；V0 state 未动 |
+| T3 跑数、`--from-report` 可重算 | **通过** | 本机 `--from-report` 重算 verdict=缺数据、intent 79.44%、n=715，与报告一致；md 无 diff |
+| T3 结论归因 | **未通过** | 报告把「缺数据」归因于 B/C 同层差 > 10pp、把「过不了门」归因于 Jev 置信度——两者都建立在一批有争议的 gold 上，见 §2 |
+| 红线 4（不得模型代标 gold） | **存疑** | `executor_read` 565 条由 coding agent 阅读写入；09-19 同样做法，但这次与两个独立模型的分歧达 133 条，不能再当人工真值用 |
+| 交付纪律 | **提醒** | 首轮 `e3bd3930` 把 `scripts/**`、`tests/**` 直接推上 staging（触发门禁并部署，staging 现跑 `e3bd3930`，其后两笔纯文档）。原单写的是执行分支实现、验收后再进 staging。本修复单**验收前不推 staging** |
+
+## 2. 事故实证（全部可由 `docs/research/jev_intent_2026_09_27.json` 的 `rows` 重算）
+
+1. **gold=unclear 占比反常**：点选层 269 条里 gold=unclear **104 条（39%）**；采集层 336 里 52；无焦点 110 里 46。真人对着四个选项答题、四成「语义不清」，不合常理。
+2. **两个独立模型一致反对 gold**：Jev V0 判错 147 条，其中 **135 条 Flash（线上生产提示）与 Jev 判成同一个标签**，且 133 条都是 `gold=unclear → 两模型=answer_current_focus`（点选 67 / 无焦点 40 / 采集 26）。
+3. **门槛数完全由这批争议行决定**：Jev V0 高置信错误 86 条，**86/86** 是 `gold=unclear→answer` 且 Flash 同判；V2 链式 41 条里 40 条同模式。
+4. **敏感性（把 133 条争议行按两模型一致标签计）**：
+
+| 变体 | 报告 intent | 敏感性 intent | 报告高置信错误 | 敏感性高置信错误 |
+| --- | ---: | ---: | ---: | ---: |
+| Jev V0 | 79.4% | **98.0%** | 12.9% | **0.0%** |
+| Jev V2 链式 | 75.9% | 93.1% | 8.0% | 0.1% |
+| Flash V0 | 75.7% | 94.3% | — | — |
+
+   两种读法下结论相反：按执行方 gold，Jev 过不了门；按两模型一致标签，Jev V0 三项门槛全过。**没有人看过原文之前，两边都不能写。**
+5. **与 gold 无关、可先落的发现**：无论哪种读法，V1/V2 都比 V0 差（无焦点层 gold=provide_new_evidence 被改判 answer 13–15 条；承接分中位 0.16、最大 0.86、≥0.9 为 0，沿用规则一次未触发）。Magpie 的喂法在我们的数据上没有收益——用户几乎不发「继续」这类纯承接句。
+6. 延迟：Jev 中位 1178 ms vs Flash 705 ms，比 09-19 更慢。
+
+## 3. 根因
+
+标注者（coding agent）对「unclear」的口径与生产提示不一致：生产提示里「没有 / 记不清 / 用带年月的经历直接答」都是 `answer_current_focus`，只有「既没否定、也没说记不清、也没给带年月经历」才是 `unclear`。133 条争议行中两个模型都给出了合法 answer_class 且高置信，更像是标注把「答得短 / 答得偏」写成了 unclear。B/C 同层差 23.7 pp、38.8 pp 是同一根因的另一面：来源 C 的 gold 经过独立复核，来源 B 没有。
+
+## 4. 决策记录
+
+1. **gold 复核由产品本人做**（2026-09-27 产品拍板前先按此写；产品若改派，改这一行）。原因：执行方是模型，红线 4 下它的标注不能自证；09-19 的 157 条也是同一做法，只是当时没有第二个模型来暴露分歧。
+2. 复核**只看争议行 + 对照行**，不重标全量：争议行 133（选择规则 `gold.intent=unclear ∧ jev_v0_1.intent=answer_current_focus ∧ flash_v0.intent=answer_current_focus`）全部，另从「三方一致」行分层随机抽 20 条做对照，防止复核者只顺着模型改。
+3. 复核后**不再调 API**：所有变体原始输出已在 `rows`，改 gold 后 `--from-report` 重算即可，费用 0。
+4. 门槛、变体、模型版本一律不变。
+5. 原单「不接管、不影子双跑」维持；即使复核后 V0 过门，是否接入另开产品决策。
+
+## 5. 硬红线
+
+1. 复核表只落本机 `.cache/jev_intent/`（gitignore），**不进仓库**；报告只提交计数与两种读法的对照表。
+2. 改 gold 只允许改被复核过的行；每行记 `gold_source = product_review`，原 `executor_read` 标签保留在 `gold_prev` 字段供审计。
+3. 不得用规则、关键词、模型输出批量改 gold；「敏感性」那一列只能叫敏感性，不得写成结果。
+4. 不改 `frontend/src/**`；不推 staging；不升 SDK。
+5. `scripts/research/jev_intent_cache.py` 里的 `G:\Ferti\...` 硬路径改为只认 `JEV_INTENT_CACHE` 环境变量与仓库 `.cache/`（P3，顺手做，不单独立单）。
+
+## 6. 任务分解
+
+### F0 · 出复核表（执行方，本机）
+
+- 新脚本或 `jev_intent_source_b_v2.py` 子命令：从本机 `source_b_v2.jsonl` + 报告 JSON 选出 133 争议行 + 20 对照行，写本机 markdown：`序号 | 层 | 当前题（含选项）| 上一轮助手句 | 用户这句 | 执行方 gold | Jev V0 | Flash V0 | 产品判定（留空）`。
+- **验收**：表在 `.cache/jev_intent/review_2026_09_27.md`；`git status` 干净；行数 153；对照行随机种子写进 PROGRESS。
+
+### F1 · 产品复核（产品本人）
+
+- 只按生产提示口径填「产品判定」列：`answer_current_focus`（含 no / unsure / yes / weak_yes）、`provide_new_evidence`、`ask_about_result`、`stop_rectification`、`unclear`。
+- **验收**：153 行全部有判定；对照 20 行里产品与执行方 gold 一致数写进报告（一致 < 16 则说明标注口径整体漂移，触发让步 1）。
+
+### F2 · 回写与重算（执行方）
+
+- 按 F1 改 gold（`gold_source=product_review`、保留 `gold_prev`），`--from-report` 重算全部表；报告新增「gold 复核」一节：争议行数、产品改判数（按层 × 原标签 × 新标签计数）、对照行一致率。
+- 结论重写为三选一（过门 / 未过门 / 缺数据），并加一句「V1/V2 相对 V0 无收益，承接规则未触发」作为与 gold 无关的独立发现。
+- **验收**：`--from-report` 输出与 md 一致；`unittest` ≥16；README 状态板与 PROGRESS 同步；BLOCKED.md 若无新阻塞不动。
+
+## 7. 让步顺序
+
+1. 对照 20 行产品与执行方一致 < 16 → 全量 715 条标注口径不可信，结论写 `blocked: 需重标全量`，不得用 133 行的复核结果外推。
+2. 产品没时间复核 133 行 → 先复核点选层 67 行（争议最集中、最易判）；报告只对点选层下结论，其余层写 `blocked`。
+3. F0 脚本出不来 → 产品直接读 `source_b_v2.jsonl`，执行方把 133 行的 `turn_id` 列表写到本机文件（**不进仓库**）。
+
+## 8. 开工前置命令
+
+```bash
+git fetch origin --prune
+cd .worktrees/jev-intent-v2-20260927 && git checkout codex/jev-intent-v2-20260927 && git pull --ff-only
+PYTHONPATH=. python3 -m unittest tests.test_jev_intent_research        # 16 passed
+python3 scripts/research/jev_intent_probe_v2.py --from-report           # verdict=缺数据, intent 0.7944, n=715
+```
+
+## 9. BUG 编号起点
+
+`docs/BUG_HISTORY.md` 最大号 **BUG-1059**，本单起 **BUG-1060**（只在研究脚本自身缺陷时使用）。