research(rectification): v5 verdict for scoring-method research — LR weights, absence and precision follow-up all fail hard line 1 (BUG-1091 closed_by_design)

Co-Authored-By: Claude Fable 5.1 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_017eEAG8HD3mm8gsKXgk8uU8

docs/research/rectification_minute_resolution_closure_2026_09_14.md

@@ -105,3 +105,4 @@
 
 - §1.3「加权重类改法全部不过门」说的是**人拍权重**。2026-09-29 研究单换了路线：每条规则的权重由数据估（似然比，leave-one-case-out），允许负权重（只奖不罚是结构性问题），KP / Pranapada / D60 作为特征进入由数据定权重；另测「缺席证据」与「对已说事件追问月份」。
 - 脚手架与 v4 流水线见 `docs/research/rectification_scoring_research_2026_09_29.md`；**判定必须在 v5（≥60 例）上做**，v4 上的数字只是调试参考（BUG-1090 / BUG-1091）。本页 §1–§7 的结论不因此改变。
+- **2026-09-30 v5 判定（77 例，留一法按案例，`raw` 口径）：全部不过门。** R-A 三个方案（只奖 / 加 KP·Pranapada·D60 / 允许负权重）在 ±10 / ±30 / ±60 × truth/opposite 六格头名全降（±10 0.68 → 0.57–0.60，±60 0.32 → 0.22–0.25）；42 个特征里 36–39 个的 bootstrap 区间跨 0，其余 |log LR| ≤ 0.15，**v4 与 v5 同时稳定同号的特征为 0**。R-B 缺席年扣分按卡片强度把真值在区间从 76 / 76 / 75 压到 55 / 33 / 19，低强度不挤真值但头名全降。结论：**线上 11 条规则连同分钟级观察，对"哪一分钟"几乎没有信息；可校准的权重不存在。** §1.3 的结论由此从"人拍权重不过门"升级为"数据驱动权重也没有东西可校准"。BUG-560 维持 blocked，BUG-1091 closed_by_design。R-C（对已说的经历追问月份）与同子集基线比也没有一致收益（`rectification_scoring_research_2026_09_29.md` §4）。三条路都关闭。

docs/research/rectification_scoring_research_2026_09_29.md

@@ -1,139 +1,167 @@
-# 生时校正打分方法研究：似然比权重 / 缺席证据 / 精度追问（脚手架阶段，2026-09-29）
+# 生时校正打分方法研究：似然比权重 / 缺席证据 / 精度追问（2026-09-29，v5 判定 2026-09-30）
 
 - 任务书：`docs/tasks/TASK-rectification-scoring-research-20260929.md`；进度：`docs/tasks/PROGRESS-rectification-scoring-research-20260929.md`
-- 分支：`codex/rectification-scoring-research-20260929`，基线 `origin/staging` @ `6e393780`（开工时 head；任务书写作时为 `5febb111`，其间只有文档提交）。
+- 分支：`codex/rectification-scoring-research-20260929`。脚手架阶段基线 `origin/staging` @ `6e393780`（已合入 staging，`84aaeadf`）；判定阶段基线 `origin/staging` @ `0120765f`（v5 已合入）。
 - 性质：**离线测量，不改线上代码、打分、阈值、出题闸门、Skill、冻结文件。** 研究计分器是 `precision_gate_lib.score_event_with_policy`（09-14 / 09-26 已证与线上逐分相同）加上不计分的"额外观察"，通过 `build_event_contribution_matrix(row_provider=…)` 走线上同一条矩阵 / 出题 / 六题回放链。
-- 数据：`references/real_case_calibration/minute_rectification_holdout_v4.json`，20 例公开 Rodden-AA。**这是开放集回放，不是盲测；本页所有数字都是 v4 调试参考，任务书规定判定只能在 v5（≥60 例）上做，所以每一项的判定栏都是 `pending_v5`。**
-- 口径：ayanamsa `raman`，node mode `mean`，步长 2 分钟，半径 ±10 / ±30 / ±60；六题回放（`ASK_COUNT = 6`，按真值作答，题目由线上 G0 出题器按**线上矩阵**出一次、各方案共用）；交付区间 = 未淘汰且落后头名不足 8 分的簇并集。两种先验都报：`raw`（引擎行原始分，09-14 / 09-26 口径）与 `percent`（线上 `relative_support` 百分比口径；似然比方案用带温度的 softmax 后验，见 R-A）。
-- 复跑：`PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --cache-dir <临时目录>`（约 14 分钟）→ `docs/research/scoring_research_{lr,absence,precision_followup}_2026_09_29.json`。同机两次运行 JSON 逐字节一致（见进度记录）。
-- 判门：`precision_gate_lib.gate_verdict`（头名不降**且**宽度下降、覆盖不降）；JSON 里以 `debug_verdict_v4` 记录，`verdict` 字段一律 `pending_v5`。
+- 数据：判定用 `references/real_case_calibration/minute_rectification_holdout_v5.json`（77 例公开 Rodden-AA，964 件事件：day 244 / month 143 / year 577；v4 的 20 例原样继承）。v4（20 例）只用于脚手架调试，数字保留在 §6。**开放集回放，不是盲测；数字不是准确率。** v5 已知风险例（两例 LMT 时代记录先验即排除真值、一例 ±60 六题后挤出）按原样计入，未剔除。
+- 口径：ayanamsa `raman`，node mode `mean`，步长 2 分钟，半径 ±10 / ±30 / ±60；六题回放（`ASK_COUNT = 6`，按真值作答）；交付区间 = 未淘汰且落后头名不足 8 分的簇并集（`unionStillValidRange`）。两种先验都报：`raw`（引擎行原始分，09-14 / 09-26 / 09-29 口径）与 `percent`（线上 `relative_support` 百分比口径）。**主判口径 = `raw`**（理由见 §2.1）。
+- 复跑：`PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --holdout references/real_case_calibration/minute_rectification_holdout_v5.json --dataset-label v5 --cache-dir <临时目录> --probes-per-variant --out-suffix v5_2026_09_29`（约 48 分钟，静态 context 走磁盘缓存；一次只驻留一个半径）→ `docs/research/scoring_research_{lr,absence,precision_followup}_v5_2026_09_29.json`。同机两次运行三份 JSON `cmp` 逐字节一致（见进度记录）。
+- 判门：`precision_gate_lib.gate_verdict`（头名不降**且**宽度下降、覆盖不降）+ 任务书硬红线 1（每格真值在区间的例数不低于基线、头名不降）。
 
-## 结论
+## 1. 结论
 
-| 项 | 一句话结论（v4 调试参考） | 判定 |
+| 项 | 一句话结论（v5，77 例，留一法按案例） | 是否立实现单 |
 | --- | --- | --- |
-| R-0 脚手架 | 研究计分器与线上 `score_candidates` 在 20 例 × 3 档 = 60 个 case-radius 上**逐分对账 0 差**（分数与规则 id 都相同）；每个 (候选, 事件, 采样日期) 记录 42 个特征（线上规则 25 个 + 额外观察 17 个） | 完成 |
-| R-A 似然比权重 | 流水线跑通。v4 上：留一法 `raw` 口径头名 / 覆盖与基线持平或略动（±30 A3 头名 0.55 → 0.65、宽度 33 → 31），引擎自身头名（答题前）±10 0.30 → 0.40–0.45；`percent` 口径的 softmax 后验即使按训练集拟合温度仍过度自信，把真值挤出区间（±10 squeezed 3–5 例）。20 例上 42 个特征里 31–38 个的置信区间跨 0 | `pending_v5` |
-| R-B 缺席证据 | 流水线跑通。v4 上按卡片同等强度（2 分）扣分会大量挤出真值（±60 覆盖 1.00 → 0.40）——**v4 的事件表是传记摘录，不是完整时间线，空白年不等于没发生**；真人口述同样不完整。0.5 分档不挤真值但头名下降 | `pending_v5`（v4 信号明确为负，v5 上若不翻转即关闭） |
-| R-C 精度追问 | 流水线跑通。把日精度经历降成"只记得年"后，**每例平均只有 0.2 / 0.45 / 0.7 件经历在知道月份后能把候选分到两边**（±10 只有 2/20 例有）；对这些例子把那一件恢复到月精度重算先验（`C1_prior`）在 ±30 上 7 例头名 0.71 vs 该 7 例的 C0，其余档位样本太少 | `pending_v5` |
+| R-0 脚手架 | 研究计分器与线上 `score_candidates` 在 77 例 × 3 档 = 231 个 case-radius 上逐分对账 0 差；42 个特征（线上规则 25 + 额外观察 17） | 完成 |
+| R-A 似然比校准权重 | **不过门，三个方案六格全部未过硬红线 1。** `raw` 口径头名 ±10 0.68 → 0.57 / 0.55 / 0.60，±30 0.49 → 0.45 / 0.42 / 0.47，±60 0.32 → 0.25 / 0.25 / 0.22；真值在区间 A3 三档 77 / 77 / 75（基线 76 / 76 / 75）但头名全降，A1 / A2 在 ±60 各丢 3 例。**42 个特征里 36 / 38 / 39 个的置信区间跨 0，剩下的 \|log LR\| ≤ 0.15；v4 与 v5 都不跨 0 且同号的特征：0 个。** 数据说这些规则对"哪一分钟"几乎没有信息 | **不立**（BUG-1091 `closed_by_design`） |
+| R-B 缺席证据 | **不过门，六格全部未过。** 按卡片强度（2 分）扣把真值在区间压到 55 / 33 / 19（基线 76 / 76 / 75）；0.5 / 1.0 分不挤（77 / 75 / 75，73 / 71 / 70）但头名一律降、宽度不降。v5 每例平均 49 个缺席年——公开传记的空白年不是"没发生"，真人口述同样不完整 | **不立** |
+| R-C 精度追问 | **不过门。** 可追问的经历每例平均只有 0.44 / 0.71 / 1.09 件（有得问的例子 20 / 34 / 45）；对这些例子与同子集口述基线比，恢复到月精度重算先验只在 ±30 持平（头名 0.47 = 0.47、宽度 36 vs 37），±10 / ±60 头名降（0.70 vs 0.75、0.36 vs 0.42）；当作答"是"的卡三档头名都降。v4 上的正向信号在 77 例上消失 | **不立** |
 
-## R-0 · 脚手架与对账
+## 2. R-A · 似然比校准权重
 
-- `scripts/research/scoring_research_lib.py`
-  - `make_recording_provider`：对每个 legacy 单事件请求，用 `score_event_with_policy`（V0 基线）+ 线上的过运 / Ashtakavarga / Shadbala 辅助（取 context 里线上算好的结果）产出**与线上完全相同**的 evidence，同时把该候选在该事件下的额外观察写进 `FeatureStore`：
-    - 线上规则（记为特征）：`vim_{md,ad,pd}_domain_{house,lord,varga}`、`{label}_functional_{benefic,malefic}_auxiliary`、`narayana_{md,ad}_domain_house`、`{label}_arudha_auxiliary`、`controlled_transit_{jupiter,saturn}_domain_house`、`ashtakavarga_target_house_{support,pressure}_auxiliary`、`shadbala_sthana_drik_naisargika_{support,pressure}_auxiliary`。`event_kind:*`、`no_domain_activation`、`*_auxiliary_not_primary` 不作特征。
-    - 额外观察（线上算了没计分）：`kp_target_cusp_{sublord,starlord}_is_vim_{md,ad,pd}`、`kp_asc_sublord_is_vim_{md,ad,pd}`（`feature.kp_cusps.houses`，Placidus + Krishnamurti）、`vim_{md,ad,pd}_domain_varga_d60`（D60 现算）、`{pranapada,hora_lagna,ghati_lagna,bhava_lagna}_in_target_house`（`_fine_minute_indices`）。
-  - `reconcile_rows`：逐分比较分数与规则 id。**60/60 case-radius 差异 0。**
-  - `event_feature_matrix`：特征值 = 该规则在该事件采样日期上命中的比例（年精度 12 个采样日、月 3 个、日 1 个），与线上按采样日平均分数同口径。
-  - 真值标签：候选属于真值所在的**签名簇**（`raw_signature_clusters`）。
-- 测试：`tests/test_scoring_research.py`（10 条：LR 估计、留一法不泄漏、特征矩阵、规则过滤、加权 provider、缩放答案、缺席年、精度升降、百分比、以及 v4 公开案例 ±10 对账 0 差）。
+### 2.1 后验标定（缺口 2）与主判口径的选择
 
-## R-A · 似然比校准权重
+线上先验是 `relative_support` 的比例百分比；似然比方案的自然后验是 softmax(Σ log LR)。脚手架阶段（v4）发现 softmax 后验**过度自信**：即使按训练折拟合单温度（Platt，网格 0.25–256，最大化训练例真值簇的对数后验），仍有 15–25% 的例子被挤出区间。本轮的处理：
 
-**方法。** 对每个特征 f，`log LR_present = log P(f | 真值簇) − log P(f | 非真值簇)`，拉普拉斯平滑 α = 1（`(Σx + 1) / (N + 2)`）；`log LR_absent` 为朴素贝叶斯互补项。每档半径单独估。
+1. **主判口径用 `raw`**：研究分乘一个只从训练折估的 `scale`（研究分例内极差中位 → 线上极差中位），直接进 `unionStillValidRange`。理由：(a) 这是 09-14 / 09-26 / 09-29 三轮研究和定论页的口径，与既有数字可比；(b) ±2 / 8 分线的意义不变，判的是"先验换了之后六题还能不能把真值留在区间里"，不掺入后验标定这一层的好坏；(c) 不给"挑口径"留空间——口径在看到 v5 数字之前就写进了脚手架文档。
+2. **`percent` 口径照常报**（拟合温度的 softmax），用来回答"后验能不能标定"。v5 上拟合出的温度大得多（A1 16、A2 8–16、A3 4–16；v4 是 0.5–4），校准曲线在 ±30 / ±60 上几乎全部落在 [0,0.1) 桶（预测 0.03–0.06、实际 0.03–0.06），也就是说**标定之后后验接近均匀分布**——过自信解决了，代价是先验几乎不携带信息。这与 `raw` 口径的结论一致，不是口径差异。
+3. 两个口径下六格硬红线 1 都没过，所以口径选择不影响判定方向。
 
-| 方案 | 特征 | 权重规则 |
-| --- | --- | --- |
-| A1 | 只用线上 25 条规则 | 只奖不罚：`max(log LR_present, 0)`，不用 absent 项 |
-| A2 | 加 17 个额外观察 | 同上 |
-| A3 | 同 A2 | 朴素贝叶斯：present + absent 两项都用，允许负权重 |
+### 2.2 六格硬红线 1（真值在区间例数 ≥ 基线且头名不降；`raw` 口径，留一法）
 
-候选分 = Σ 事件 Σ 特征（x·w_present + (1−x)·w_absent），经线上矩阵的事件类型系数、精度权重、采样日平均与大运边界邻近项（后者按线上原样附加，不重加权）。两个只从**训练折**估的标定量：`scale`（研究分的例内极差中位 → 线上极差中位，让 `raw` 回放的 ±2 / 8 分线意义不变）、`temperature`（Platt 单温度，最大化训练例真值簇的对数后验；网格 0.25–256），`percent` 先验 = softmax(分 / T) × 100。**留一法按案例留**（`loo_folds`），全集拟合另报只作参照。
+D1（09-29 止血单，已上线）之后训练门开后不再注入口述 / 引导经历，truth 与 opposite 两个方向的格子是同一次回放；下表每行即一档的两格。
 
-### 六题回放（留一法；括号内为全集拟合）
+| 半径 | 基线 真值在区间 / 头名 | A1 | A2 | A3 |
+| --- | --- | --- | --- | --- |
+| ±10（truth = opposite） | 76 / 0.675 | 76 / 0.571 **不过** | 75 / 0.545 **不过** | 77 / 0.597 **不过**（头名降） |
+| ±30（truth = opposite） | 76 / 0.494 | 77 / 0.455 **不过** | 76 / 0.416 **不过** | 77 / 0.468 **不过** |
+| ±60（truth = opposite） | 75 / 0.325 | 72 / 0.247 **不过** | 72 / 0.247 **不过** | 75 / 0.221 **不过** |
 
-`raw` 口径：
+`percent` 口径：A1 76 / 77 / 77，A2 71 / 76 / 77，A3 66 / 75 / 76（基线 77 / 77 / 77）；头名全部低于基线 0.79 / 0.81 / 0.77。六格同样全部不过。
 
-| 半径 | 方案 | 头名命中 | 真值在区间 | 宽度中位 | 引擎头名（答题前） | 挤出真值 | debug 判定 |
+### 2.3 六题回放全表（留一法；括号内为全集拟合）
+
+| 半径 | 方案 | 头名命中 | 真值在区间 | 宽度中位 | 引擎头名（答题前） | 挤出 | gate_verdict |
 | --- | --- | ---: | ---: | ---: | ---: | ---: | --- |
-| ±10 | 基线 | 0.80 | 1.00 | 15 | 0.30 | 0 | — |
-| ±10 | A1 | 0.70 (0.75) | 1.00 | 14 | 0.45 | 0 | no_benefit |
-| ±10 | A2 | 0.75 (0.80) | 1.00 | 15 | 0.40 (0.50) | 0 | no_benefit |
-| ±10 | A3 | 0.80 (0.85) | 1.00 | 15 | 0.40 (0.50) | 0 | no_benefit |
-| ±30 | 基线 | 0.55 | 1.00 | 33 | 0.20 | 0 | — |
-| ±30 | A1 | 0.55 (0.70) | 1.00 | 32 | 0.25 | 0 | benefit（宽度 −1） |
-| ±30 | A2 | 0.60 (0.65) | 1.00 | 34 | 0.10 (0.30) | 0 | no_benefit |
-| ±30 | A3 | 0.65 (0.75) | 1.00 | 31 | 0.20 (0.45) | 0 | benefit（宽度 −2） |
-| ±60 | 基线 | 0.40 | 1.00 | 56 | 0.05 | 0 | — |
-| ±60 | A1 | 0.45 (0.50) | 1.00 | 61 | 0.15 (0.20) | 0 | no_benefit |
-| ±60 | A2 | 0.55 (0.60) | 1.00 | 61 | 0.00 (0.10) | 0 | no_benefit |
-| ±60 | A3 | 0.50 (0.70) | **0.95** | 61 | 0.05 (0.30) | 1 | no_benefit |
+| ±10 | 基线 | 0.675 | 0.987 | 15 | 0.169 | 1 | — |
+| ±10 | A1 | 0.571 (0.571) | 0.987 | 13 | 0.195 (0.182) | 1 | no_benefit |
+| ±10 | A2 | 0.545 (0.545) | 0.974 | 15 | 0.156 (0.169) | 2 | no_benefit |
+| ±10 | A3 | 0.597 (0.649) | 1.000 | 15 | 0.117 (0.182) | 0 | no_benefit |
+| ±30 | 基线 | 0.494 | 0.987 | 35 | 0.091 | 1 | — |
+| ±30 | A1 | 0.455 (0.532) | 1.000 | 35 | 0.052 (0.091) | 0 | no_benefit |
+| ±30 | A2 | 0.416 (0.494) | 0.987 | 35 | 0.065 (0.078) | 1 | no_benefit |
+| ±30 | A3 | 0.468 (0.494) | 1.000 | 35 | 0.078 (0.091) | 0 | no_benefit |
+| ±60 | 基线 | 0.325 | 0.974 | 63 | 0.052 | 2 | — |
+| ±60 | A1 | 0.247 (0.325) | 0.935 | 61 | 0.013 (0.078) | 5 | no_benefit |
+| ±60 | A2 | 0.247 (0.325) | 0.935 | 67 | 0.013 (0.026) | 5 | no_benefit |
+| ±60 | A3 | 0.221 (0.299) | 0.974 | 73 | 0.026 (0.052) | 2 | no_benefit |
 
-`percent` 口径（基线 = 线上比例百分比；A* = 拟合温度的 softmax 后验）：
+基线与扩集单发布的 v5 成绩单逐格一致（头名 0.68 / 0.49 / 0.32，真值在区间 76 / 76 / 75，宽度 15 / 35 / 63）。
 
-| 半径 | 方案 | 头名命中 | 真值在区间 | 宽度中位 | 挤出真值 | 温度（各折） |
-| --- | --- | ---: | ---: | ---: | ---: | --- |
-| ±10 | 基线 | 0.90 | 1.00 | 11 | 0 | — |
-| ±10 | A1 / A2 / A3 | 0.60 / 0.50 / 0.55 | 0.80 / 0.85 / 0.75 | 7 / 7 / 5 | 4 / 3 / 5 | 1–2 / 1 / 0.5–1 |
-| ±30 | 基线 | 0.85 | 1.00 | 33 | 0 | — |
-| ±30 | A1 / A2 / A3 | 0.65 / 0.55 / 0.55 | 0.95 / 0.80 / 0.90 | 31 / 10 / 13 | 1 / 4 / 2 | 2–4 / 1–2 / 1–2 |
-| ±60 | 基线 | 0.80 | 1.00 | 53 | 0 | — |
-| ±60 | A1 / A2 / A3 | 0.65 / 0.50 / 0.40 | 1.00 / 0.80 / 0.80 | 57 / 32 / 38 | 0 / 4 / 4 | 4–8 / 2–4 / 2 |
+- **缺口 3（按方案矩阵重出六题）已做**：`--probes-per-variant` 对每个留一法方案用它自己的矩阵重新出题再回放。结果与共用题目**逐格相同**（每档每方案头名 / 覆盖 / 宽度完全一致，每例题数 4.9 / 7.1 / 7.3）。原因：`discriminating_event_probes` 按代表候选与静态 context 判定分边，不读矩阵分数，所以先验换了题不换。这条缺口对判定方向无影响，可以关闭。
+- 稳健性（留一法，`raw`）：±7 天抖动真值在区间 A1 / A2 / A3 ±10 0.99 / 0.97 / 1.00，±30 1.00 / 0.99 / 1.00，±60 0.94 / 0.94 / 0.97；±1–3 月平移 0.99 / 0.99 / 1.00，0.99 / 0.99 / 1.00，0.94 / 0.95 / 1.00；答错 1 题 0.99 / 0.99 / 1.00，0.97 / 0.97 / 0.99，0.90 / 0.93 / 0.96；答错 2 题 0.94 / 0.95 / 0.98，0.91 / 0.89 / 0.94，0.82 / 0.87 / 0.86。与 09-26 基线（答错 2 题 ±60 0.90）同量级或更差，没有一项能补回头名的损失。
 
-**读法（v4，仅供 v5 前设计参考，不是结论）。**
+### 2.4 特征表：v4 与 v5 都稳定有信号的特征 —— 没有
 
-1. 对账通过后，`raw` 口径的留一法数字与基线基本持平：似然比权重没有让真值掉出区间（±60 A3 一例除外），也没有明显收窄；引擎答题前的头名在 ±10 从 0.30 到 0.40–0.45、±60 A1 从 0.05 到 0.15，全集拟合再高一些——**全集与留一法的差距就是 20 例过拟合的量**。
-2. `percent` 口径下 softmax 后验**过度自信**：即使温度按训练折拟合，仍把 15–25% 例子的真值挤出区间。校准曲线（A3 留一法）在 ±10 上 [0.20,0.30) 桶预测 0.24 / 实际 0.40、[0.50,0.70) 预测 0.58 / 实际 0.40、[0.70,1.00) 只有 1 个点且错；±30 / ±60 高桶几乎无样本。要上线必须先解决后验的标定，而不是先验本身。
-3. **42 个特征里 31 / 36 / 38 个（±10 / ±30 / ±60）的 5–95% 置信区间跨 0**（案例级 bootstrap 200 次）。±10 上区间不跨 0 的：`ashtakavarga_target_house_pressure_auxiliary`（+0.41）、`vim_ad_domain_varga`（+0.30）、`vim_md_domain_varga`（+0.27）、`ghati_lagna_in_target_house` / `hora_lagna_in_target_house`（+0.31）、`pranapada_in_target_house`（**−0.36**）、`vim_ad_arudha_auxiliary`（−0.21）、`narayana_ad_domain_house`（−0.21）、`kp_target_cusp_sublord_is_vim_ad`（−0.19）。方向与线上手拍权重相反的几条（Arudha、Narayana AD、KP AD 子主为负）正是 20 例上说不清的地方——这就是任务书要先扩集的原因。
-4. 稳健性（留一法 A3，`raw`）：±7 天抖动与 ±1–3 月平移三档真值在区间 0.95–1.00；答错 1 题 0.96–1.00、答错 2 题 0.91–0.99（与 09-26 基线同量级）。`percent` 口径下三项都更差（0.70–0.90），同样是后验过自信的表现。
+案例级 bootstrap 200 次的 5–95% 区间，v5 上**不跨 0** 的特征只剩：
 
-## R-B · 缺席证据
+| 半径 | 特征 | log LR（命中） | 区间 |
+| --- | --- | ---: | --- |
+| ±10 | `vim_md_domain_varga_d60` | −0.15 | [−0.27, −0.03] |
+| ±10 | `kp_asc_sublord_is_vim_ad` | −0.11 | [−0.22, −0.00] |
+| ±10 | `kp_target_cusp_starlord_is_vim_md` | +0.08 | [0.00, 0.16] |
+| ±10 | `kp_target_cusp_starlord_is_vim_ad` | +0.06 | [0.00, 0.13] |
+| ±10 / ±30 / ±60 | `shadbala_sthana_drik_naisargika_support_auxiliary` | −0.06 | [−0.10, −0.01] 三档 |
+| ±10 / ±30 / ±60 | `shadbala_sthana_drik_naisargika_pressure_auxiliary` | +0.05 | [0.01, 0.08] 三档 |
+| ±30 / ±60 | `vim_md_domain_varga_d60` | −0.15 / −0.14 | [−0.25, −0.05] / [−0.23, −0.04] |
+| ±30 | `kp_target_cusp_starlord_is_vim_md` | +0.09 | [0.00, 0.17] |
+
+其余 36 / 38 / 39 个跨 0。v4 上不跨 0 的九条（Ashtakavarga 压力、D-varga 命中、Hora / Ghati lagna、Pranapada 为负、Arudha 为负、Narayana AD 为负、KP AD 子主为负）在 v5 上**全部回到跨 0**；v5 上不跨 0 的几条在 v4 上也都跨 0。**没有一个特征在两套数据上同时稳定、同号。** 剩下的几条量级 0.05–0.15 nat（命中概率相差 1–2 个百分点），而且方向与线上手拍权重相反的居多（D60 命中、Shadbala 支持为负；Shadbala 压力为正）。
+
+**读法。** 这是本轮最硬的结果：线上 11 条规则加 17 个额外观察，对"真值分钟 vs 邻近分钟"的区分几乎为零；v4 上看到的"信号"是 20 例的噪声。让数据定权重（R-A）不是没做对，而是没有可校准的东西。定论页 §1.3"加权重类改法不过门"的结论被 77 例、留一法、数据驱动权重的方式再次确认，并且说明了原因。
+
+## 3. R-B · 缺席证据
 
 **方法。** 只用训练事件（留一件 holdout 不用）。每个领域取第一件与最后一件带年月事件之间的年份，没有该领域事件的年份 = 缺席年。对每个缺席 (领域, 年) 用出题器同一判定函数 `_evaluate_contexts(month=None)` 在代表候选上求"这一年该领域是否激活"的分边；分得开就当作一道答了"没有"的题，按 0.5 / 1.0 / 2.0 分扣（卡片是 2.0；低于卡片强度的扣分不计强冲突、不会淘汰）。之后照常六题。漏说稳健性：随机删掉 1–2 件训练事件再算缺席年（每例 5 次，种子固定）。
 
-`raw` 口径六题回放（`percent` 口径同向，见 JSON）：
+### 3.1 六格硬红线 1（`raw` 口径；truth = opposite）
 
-| 半径 | 方案 | 头名命中 | 真值在区间 | 宽度中位 | 挤出真值 | 漏说 1 件（100 次回放）真值在区间 | 漏说 2 件 |
-| --- | --- | ---: | ---: | ---: | ---: | ---: | ---: |
-| ±10 | B0 | 0.80 | 1.00 | 15 | 0 | — | — |
-| ±10 | 缺席 @0.5 分 | 0.70 | 1.00 | 15 | 0 | 1.00 | 1.00 |
-| ±10 | 缺席 @1.0 分 | 0.70 | 1.00 | 14 | 0 | 1.00 | 1.00 |
-| ±10 | 缺席 @2.0 分（=卡片） | 0.55 | **0.85** | 13 | 3 | 0.94 | 0.94 |
-| ±30 | B0 | 0.55 | 1.00 | 33 | 0 | — | — |
-| ±30 | 缺席 @0.5 分 | 0.50 | 1.00 | 34 | 0 | 1.00 | 1.00 |
-| ±30 | 缺席 @1.0 分 | 0.45 | 1.00 | 33 | 0 | 1.00 | 1.00 |
-| ±30 | 缺席 @2.0 分 | 0.25 | **0.70** | 19 | 6 | 0.80 | 0.87 |
-| ±60 | B0 | 0.40 | 1.00 | 56 | 0 | — | — |
-| ±60 | 缺席 @0.5 分 | 0.35 | 1.00 | 68 | 0 | 1.00 | 1.00 |
-| ±60 | 缺席 @1.0 分 | 0.25 | 1.00 | 61 | 0 | 1.00 | 1.00 |
-| ±60 | 缺席 @2.0 分 | 0.10 | **0.40** | 9 | 12 | 0.54 | 0.73 |
+| 半径 | 基线 真值在区间 / 头名 | @0.5 分 | @1.0 分 | @2.0 分（=卡片） |
+| --- | --- | --- | --- | --- |
+| ±10 | 76 / 0.675 | 77 / 0.662 **不过**（头名降） | 73 / 0.649 **不过** | 55 / 0.481 **不过** |
+| ±30 | 76 / 0.494 | 75 / 0.442 **不过** | 71 / 0.429 **不过** | 33 / 0.169 **不过** |
+| ±60 | 75 / 0.325 | 75 / 0.221 **不过** | 70 / 0.195 **不过** | 19 / 0.091 **不过** |
 
-每例平均缺席年 17.95；能分边的缺席题 2.05 / 4.30 / 6.15 道（有题的例子 12 / 17 / 17）。三档 debug 判定全部 no_benefit。
+`percent` 口径同向（@2.0 分 54 / 33 / 20，@0.5 分头名 0.74 / 0.69 / 0.49 vs 基线 0.79 / 0.81 / 0.77）。
 
-读法：
+### 3.2 全表与漏说稳健性（`raw`）
 
-1. **按卡片强度扣，真值被大量挤出**（±60 覆盖 1.00 → 0.40）。原因不是方法错，而是 v4 的事件表是传记摘录：那些"空白年"里公众人物多半确有该领域的事，只是没进数据集；扣分等于用不完整的时间线否定真值。真人口述同样不完整（用户不会把每年的事都说全），所以这条在 v5 上大概率也是负的——**若 v5 上不翻转，R-B 关闭**。
-2. 0.5 / 1.0 分档不挤真值（覆盖 1.00）但头名一律下降、宽度不降，等于只加噪声。漏说 1–2 件在低强度下不伤覆盖，在卡片强度下把覆盖压到 0.54–0.94。
+| 半径 | 方案 | 头名 | 真值在区间 | 宽度中位 | 漏说 1 件（385 次）真值在区间 | 漏说 2 件 |
+| --- | --- | ---: | ---: | ---: | ---: | ---: |
+| ±10 | B0 | 0.675 | 0.987 | 15 | — | — |
+| ±10 | @0.5 | 0.662 | 1.000 | 15 | 1.000 | 0.997 |
+| ±10 | @1.0 | 0.649 | 0.948 | 15 | 0.953 | 0.953 |
+| ±10 | @2.0 | 0.481 | 0.714 | 9 | 0.751 | 0.753 |
+| ±30 | B0 | 0.494 | 0.987 | 35 | — | — |
+| ±30 | @0.5 | 0.442 | 0.974 | 35 | 0.974 | 0.974 |
+| ±30 | @1.0 | 0.429 | 0.922 | 33 | 0.932 | 0.945 |
+| ±30 | @2.0 | 0.169 | 0.429 | 5 | 0.465 | 0.488 |
+| ±60 | B0 | 0.325 | 0.974 | 63 | — | — |
+| ±60 | @0.5 | 0.221 | 0.974 | 71 | 0.974 | 0.969 |
+| ±60 | @1.0 | 0.195 | 0.909 | 57 | 0.917 | 0.933 |
+| ±60 | @2.0 | 0.091 | 0.247 | 5 | 0.301 | 0.369 |
 
-## R-C · 精度追问可行性
+每例平均缺席年 48.9；能分边的缺席题 3.9 / 7.6 / 10.8 道（有题的例子 60 / 72 / 73）。
 
-**方法。** 把每例所有日精度经历降成"只记得年"（v4 没有月精度）作为口述形态 `C0_spoken`，先验按线上重算。对每件训练中的日精度经历，用 `_evaluate_contexts(month=真实月份)` 判断"知道月份后能否把代表候选分到两边"；能分的按信息增益排序取前 1 / 2 件：`C{k}_prior`（那件恢复到月精度重算先验）、`C{k}_probe`（当作答"是"的卡）、`C{k}_both`。
+**读法。** 缺席年扣分在三档、三档强度、两种口径下没有一格过门。卡片强度下区间是窄了（5–9 分钟）但真值多半不在里面——这正是定论页 §6 第 3 条警告的"把区间做窄很容易"。原因是"时间线上没有"不等于"没发生"：公开传记如此，真人口述更如此。**关闭。**
+
+## 4. R-C · 精度追问可行性
+
+**方法。** 把每例所有日 / 月精度经历降成"只记得年"作为口述形态 `C0_spoken`，先验按线上重算。对每件训练中的日 / 月精度经历，用 `_evaluate_contexts(month=真实月份)` 判断"知道月份后能否把代表候选分到两边"；能分的按信息增益排序取前 1 / 2 件：`C{k}_prior`（那件恢复到月精度重算先验，走线上已有的打字经历通道）、`C{k}_probe`（当作答"是"的卡）、`C{k}_both`。**方案臂只覆盖"有得问"的子集，所以与同一子集上的 `C0`（`subset_C0`）比**，不与全集比。
 
 | 半径 | 每例可追问件数均值 | ≥1 件的例子 | ≥2 件的例子 |
 | --- | ---: | ---: | ---: |
-| ±10 | 0.20 | 2 / 20 | 1 / 20 |
-| ±30 | 0.45 | 7 / 20 | 1 / 20 |
-| ±60 | 0.70 | 10 / 20 | 3 / 20 |
+| ±10 | 0.44 | 20 / 77 | 10 / 77 |
+| ±30 | 0.71 | 34 / 77 | 12 / 77 |
+| ±60 | 1.09 | 45 / 77 | 23 / 77 |
 
-| 半径 | 方案 | n | 头名命中（raw） | 真值在区间 | 宽度中位 | 同 n 例的 C0（raw 头名 / 宽度） |
-| --- | --- | ---: | ---: | ---: | ---: | --- |
-| ±10 | C1_prior / C1_probe | 2 | 1.00 / 0.50 | 1.00 | 16 | 见 JSON per-arm（样本太少） |
-| ±30 | C1_prior | 7 | 0.71 | 1.00 | 31 | debug 判定 benefit（percent 口径头名 1.00） |
-| ±30 | C1_probe | 7 | 0.57 | 1.00 | 33 | no_benefit |
-| ±60 | C1_prior / C1_probe | 10 | 0.40 / 0.40 | 1.00 | 58 / 63 | no_benefit |
+六格硬红线 1 与同子集 C0 比（`raw`；truth = opposite）：
 
-**读法。** 可追问的经历很少（与 09-29 打字经历研究一致：绝大多数经历落在所有候选都一样的大运段），但在 ±30 上"恢复到月精度重算先验"（走线上已有的打字经历通道，不加卡片）对那 7 例有正向信号；"当作答是的卡"没有。样本太少，只能说值得在 v5 上按同口径重测；产品层实现（只对落在候选分歧点的那一件追问月份，算在定向追问 2 条额度内）要等 v5 判定。
+| 半径 | 方案 | n | 真值在区间（方案 / 子集 C0） | 头名（方案 / 子集 C0） | 宽度中位（方案 / 子集 C0） | 硬红线 1 | gate_verdict |
+| --- | --- | ---: | --- | --- | --- | --- | --- |
+| ±10 | C1_prior | 20 | 20 / 20 | 0.70 / 0.75 | 13 / 13 | **不过** | no_benefit |
+| ±10 | C1_probe | 20 | 20 / 20 | 0.60 / 0.75 | 12 / 13 | **不过** | no_benefit |
+| ±10 | C2_prior | 10 | 10 / 10 | 0.70 / 0.80 | 11 / 11 | **不过** | no_benefit |
+| ±30 | C1_prior | 34 | 34 / 34 | 0.47 / 0.47 | 36 / 37 | 过（头名持平，宽度 −1） | benefit |
+| ±30 | C1_probe | 34 | 34 / 34 | 0.41 / 0.47 | 32 / 37 | **不过** | no_benefit |
+| ±30 | C2_prior | 12 | 12 / 12 | 0.42 / 0.50 | 31 / 36 | **不过** | no_benefit |
+| ±60 | C1_prior | 45 | 44 / 44 | 0.36 / 0.42 | 71 / 71 | **不过** | no_benefit |
+| ±60 | C1_probe | 45 | 44 / 44 | 0.38 / 0.42 | 63 / 71 | **不过** | no_benefit |
+| ±60 | C2_prior | 23 | 22 / 22 | 0.48 / 0.52 | 75 / 75 | **不过** | no_benefit |
 
-## 给产品的话
+`percent` 口径：`C1_prior` ±30 头名 0.79 vs 0.71、宽度 35 vs 32（宽度变宽，gate no_benefit）、±10 0.80 vs 0.85、±60 0.76 vs 0.80；`C1_probe` ±30 0.74 vs 0.71 且宽度 31 vs 32（gate benefit）但 ±10 / ±60 头名降。两个口径下没有一个臂在三档同时过。
 
-- 三条流水线都跑通、与线上对账 0 差，**但没有任何一条在 v4 上能下结论**，20 例上 42 个特征有四分之三分不清正负。这一轮交付的是"能在 v5 上一键复跑的测量工具"，不是新打分。
-- v4 上唯一方向明确的信号是负的：把口述时间线的空白当"没发生"会伤真值（R-B）。
-- v5 交付后的复跑命令：`PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --holdout references/real_case_calibration/minute_rectification_holdout_v5.json --dataset-label v5 --out-suffix v5_<日期>`。
+**读法。** (1) 能追问的经历确实少：±10 上 77 例只有 20 例有一件"知道月份就能分开候选"的经历，与 09-29 打字经历研究一致。(2) 对这些例子，"恢复到月精度重算先验"（走现有通道）在 ±30 上持平、±10 / ±60 上头名反而降；"当作答是的卡"在 ±10 / ±60 也降。之前 v4 上 ±30 的 7 例正向信号（0.71）在 77 例、同子集比较下消失。(3) 结论：**精度追问没有一致收益，不立实现单。** 产品若仍想做"只追问一件落在候选分歧点的经历"，那是交互层面的取舍，本研究给不出精度上的理由。
+
+## 5. 给产品的话
+
+- **打分层这条路可以收口了。** 77 例、留一法、让数据定权重、加进 KP / Pranapada / D60，结果是：线上规则对"哪一分钟"的区分几乎为零，没有可校准的权重；把口述时间线的空白当"没发生"会伤真值。BUG-560（换尺度）继续 blocked、BUG-1091 按设计关闭。收窄仍然只能靠带年月的选择题——这与 09-14 定论一致，现在有了 77 例的证据。
+- 产品层的"对已说的事追问月份"（§4）与同子集基线比也没有一致收益：能追问的例子少（±10 只有 20 / 77），追问后头名多半不升。若要做，是交互层面的决定，不是精度收益。
+- 复跑：本页顶部命令；判定所用 JSON `dataset: v5`。
+
+## 6. v4 脚手架阶段的数字（20 例，仅调试参考）
+
+- 对账：20 例 × 3 档 = 60 个 case-radius 差异 0；两次复跑 JSON 逐字节一致（`scoring_research_*_2026_09_29.json`）。
+- R-A `raw` 留一法头名：±10 A1 / A2 / A3 0.70 / 0.75 / 0.80（基线 0.80）；±30 0.55 / 0.60 / 0.65（0.55）；±60 0.45 / 0.55 / 0.50（0.40）。真值在区间除 ±60 A3 0.95 外全 1.00。`percent` 口径挤出 3–5 例。42 个特征里 31 / 36 / 38 个跨 0。
+- R-B：@2.0 分覆盖 0.85 / 0.70 / 0.40；@0.5 / 1.0 覆盖 1.00 但头名降。
+- R-C：可追问件数每例均值 0.20 / 0.45 / 0.70；±30 C1_prior 7 例头名 0.71。
+- 这些数字与 v5 方向一致，但 v4 上看似"有信号"的九个特征在 v5 上全部回到噪声——扩集单（BUG-1090）的必要性由此坐实。
 
 ## 附：复跑命令
 
 ```bash
-PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --cache-dir /tmp/scoring_ctx        # 约 14 分钟，写三份 JSON
-PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --limit 3 --radii 10 --fast --no-write   # 开发用
+PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --holdout references/real_case_calibration/minute_rectification_holdout_v5.json --dataset-label v5 --cache-dir /tmp/scoring_ctx --probes-per-variant --out-suffix v5_2026_09_29   # 约 48 分钟
+PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --cache-dir /tmp/scoring_ctx                       # v4，约 13 分钟
+PYTHONHASHSEED=0 python3 scripts/research/scoring_research.py --limit 3 --radii 10 --fast --no-write            # 开发用
 python3 -m pytest tests/test_scoring_research.py -q
 ```