Jyotisha/docs/tasks/PROGRESS-rectification-holdout-expansion-20260929.md

# PROGRESS · 生时校正开放评价集扩到 ≥60 例（v5，2026-09-29）

任务书：`TASK-rectification-holdout-expansion-20260929.md`。分支 `codex/rectification-holdout-expansion-20260929`，基线 `origin/staging` @ `5febb111`（开工时 head；`78b9c5b6` 之后的提交与本单无关，未 rebase）。BUG：**BUG-1090**（开工核对最大号 1089）。

## 结果一句话

v5 已建：**77 例**（v4 20 例原样继承 + 57 例新增公开 Rodden-AA），964 件事件；v4 子集在三个回放脚本上的基线数字与已发布数字**逐格一致**；分层配额除 **UTC+8 5/6** 外全部达标；生产代码零改动。

## T1 选例协议与名单

- 协议：`docs/research/holdout_v5_protocol_2026_09_29.md`（入选标准、排除规则、分层配额、核对流程、2026 年事件上限）。
- 名单：`references/real_case_calibration/holdout_v5_roster.json`（57 例，每例 Astro-Databank URL、AA 评级、采集人、镜像页 URL、时区与地名核对结果）。
- **环境缺口**：astro.com 在 2026-09-29 对自动访问返回"One moment..."拦截页，Wayback 快照间歇 000；评级与出生资料从 Astro-Seek famous-people 页读取（逐字转载 Astro-Databank 评级、采集人、日期、时间、地点、坐标、UTC 修正）。记录里同时写原页 URL 与镜像 URL。验收时若 astro.com 可访问，请抽样回到原页复核。
- 分层统计：

| 维度（配额） | v5 | 达标 |
| --- | --- | --- |
| 出生年代 ≥3 段 | 14 段（1850s–1990s） | 是 |
| 纬度带三档 | <25° 14 / 25–45° 44 / >45° 19 | 是 |
| 南半球 ≥8 | 12 | 是 |
| 22:00–02:00 ≥6 | 9 | 是 |
| UTC+8 ≥6 | **5** | **否**（原因与已扫范围见构建说明 §1） |

## T2 事件抽取与核对

- 事件从英文 Wikipedia 纯文本（API `extracts`）逐句筛候选、人工选择并标注领域 / 日期 / 精度；每条保存 `source.quote`（逐字引文），构建脚本核对引文存在后才写入；找不到引文的行被拒收而非静默丢弃。
- 新增 57 例：每例 8–20 件，领域 ≥4；精度 day 185 / month 143 / year 493。领域键取自 `DOMAIN_CONFIG`。
- 拒收记录（不改数字凑合）：Borges、Allende、Arrau（时区不一致）、Corazon Aquino（地名距记录坐标 129 km）、Juan Perón（生日两源不一致）、Pope Francis（只 3 个领域）、Rod Chang / Aga Muhlach / Eugene Domingo（传记不足 4 领域）。
- 删掉 2026 年事件 2 条（Messi、Zidane）：回放脚本固定 2026-09-14 评估，计分合同拒绝晚于"今天"的事件；协议 §1.6 与构建脚本 `EVENT_CUTOFF` 已固化。
- schema 测试：`tests/test_holdout_v5_schema.py` 9 项通过（门槛、口径、v4 原样、出生记录字段、核对字段、引文、领域 / 日期 / 精度、分层汇总、roster / events 与数据集一致、构建确定性）。

## T3 构建脚本

- `scripts/research/holdout_v5_build.py`：从 v4 + roster + events 生成 v5；`--check` 只校验。两次构建 md5 一致（`3f8f…`→ 最终版由 `test_build_is_deterministic` 锁定）。
- v4 的 20 例在 v5 中出生资料与事件逐字段一致（测试 `test_v4_cases_are_inherited_verbatim`）。

## T4 基线成绩单

- `scripts/research/holdout_v5_baseline.py`：把 `minute_resolution_sweep` / `cluster_width_probe` / `futile_collect_stop_replay`（经 `guided_collect_holdout_replay.load_cases`）的模块常量指到指定数据集与独立输出文件，只跑 `baseline` 变体；不改这三个脚本。
- **硬红线 5**：`--dataset v4` 复跑，三个脚本共 7+12+6 组数字与 `minute_resolution_2026_09_14.json`、`cluster_width_2026_09_14.json`、`futile_collect_stop_replay_2026_09_29.json` 逐格一致（表在 `holdout_v5_build_2026_09_29.md` §3；JSON `holdout_v5_baseline_v4_all_2026_09_29.json`）。
- v5 全集：`holdout_v5_baseline_v5_all_2026_09_29.json`，数字见构建说明 §4。
- 发现并处理：`cluster_width_probe.run` 会顺手重写 `minute_resolution_2026_09_14.md` 里的勘误表（数值相同、格式 `15.0`→`15`）。已 `git checkout` 还原该文件，并在 `holdout_v5_baseline.py` 里把 `append_previous_errata` 置空，保证复跑不碰已发布文档。

| 半径 | 引擎先验头名（v4） | 六题回放头名（v4） | 六题后真值在区间（v4） | 六题后宽度中位（v4） | D1 六格真值在区间 truth / opposite |
| --- | --- | --- | --- | --- | --- |
| ±10 | 0.18（0.35） | 0.64（0.80） | 76/77（20/20） | 15（15） | 76/77，76/77 |
| ±30 | 0.08（0.15） | 0.49（0.55） | 76/77（20/20） | 35（33） | 76/77，76/77 |
| ±60 | 0.06（0.10） | 0.26（0.35） | 75/77（20/20） | 63（56） | 75/77，75/77 |

真值被挤出的例与说明见构建说明 §4。

## T5 文档

- `docs/research/holdout_v5_build_2026_09_29.md`、`docs/research/ACTIVE_FRONTS.md`（索引）、定论页 §8、`docs/tasks/README.md` 状态板、`docs/BUG_HISTORY.md` BUG-1090。

## 门禁与测试

- 生产代码零改动（`git diff origin/staging --stat` 只有 `docs/`、`references/real_case_calibration/`、`scripts/research/holdout_v5_*.py`、`tests/test_holdout_v5_schema.py`）。
- `tests/test_repo_privacy_markers.py` 全绿；`test_minute_resolution_research.py`、`test_cluster_width_research.py` 全绿（09-14 的 JSON 未改写）。
- 快速门：见文末「快速门」节。

## 遗留

- UTC+8 差 1 例；astro.com 原站抽样复核；Rod Chang（台湾 AA）若能找到可靠传记可补。
- 拒收的 3 例时区不一致（阿根廷 / 智利 1899–1908）值得在 astro.com 可访问后核对原记录的时区注释。

## 快速门

- 开工基线（`origin/staging` @ `5febb111`，本 worktree，Node 22 in PATH）：Python 步 **1001 passed / 1 skipped**；随后 `npm test` 在 `frontend` 报 `sh: 1: tsx: not found`（worktree 没装前端依赖）→ 门失败。
- 改动后（`ca54d357`）：Python 步 **1001 passed / 1 skipped**，同一处 `tsx: not found`，与基线逐条一致。前端零改动，未在 worktree 安装依赖（环境缺口，非回归）。
- 定向：`tests/test_holdout_v5_schema.py` 9 passed；`test_minute_resolution_research.py` + `test_cluster_width_research.py` + `test_repo_privacy_markers.py` 全绿。

## Claude 验收（2026-09-29）

- 范围：改动只在 `docs/`、`references/real_case_calibration/`（v5 三个新文件）、`scripts/research/holdout_v5_*.py`、`tests/test_holdout_v5_schema.py`；v3 / v4 数据与 10 个冻结文件零改动，校正验证完整性门禁绿。
- 确定性：`holdout_v5_build.py --check` 退出 0（rebase 前后各一次）。
- 硬红线 5：`holdout_v5_baseline_v4_all_2026_09_29.json` 里 v4 子集 sweep（±10/±30/±60 头名 0.35/0.15/0.10、覆盖 1.00、宽度 21/61/121、并列 0.05/0.05/0.00、六题回放 0.80/0.55/0.35）、cluster_width（15/33/56、覆盖 1.00）、futile 六格（20/20，宽度 14/15/15/15/34/33/34/33/53/56/53/56）与 09-14 / 09-26 / 09-29 已发布数字逐格一致。
- 来源抽样（新增 57 例的 10%，seed 20260929 抽 6 例：Bush / Kubitschek / Nadal / Dantes / Ali / Aniston）：astro.com 原页对验收方同样返回浏览器验证页；Astro-Seek 镜像页（curl 跟随 301）逐条核对出生日期、本地时间、UT 偏移（含 Kubitschek LMT +2:54）全部与 roster 一致，采集人姓名一致；评级字母在镜像页为图标非文本，未能机器提取。Nadal 两件事件与 Wikipedia 正文一致。
- 测试：schema 9 + 隐私 + 两轮研究测试 + 完整性门禁 + 打分研究测试 = 54 passed。
- 分层：年代 14 段、纬度 14/44/19、南半球 12、跨午夜 9 达标；UTC+8 5/6 未达——执行方已扫全部镜像，无更多可用 AA，属数据可得性缺口，**接受**并保留在 BUG-1090 记录。
- 已 rebase 到 `origin/staging`（四处文档冲突均为双方追加，保留两侧；定论页 §8 v5 在 §9 研究单之前）。
- 结论：通过，合入 staging。下一步：研究单在 v5 上跑 R-A / R-B / R-C 判定。