有效 B 示例
docopt_docopt_pr6：相同测试入口下修正比较逻辑
可见 pytest 从 1 failed, 2 passed 变为 3 passed。恢复动作修正了 equality 比较，最终报告说明 __ne__、基于内容的比较与确定性 repr。B 保留 514 个监督 token，失败观察之前的动作在 B 中不计 loss。它能提供“根据断言修正具体实现”的短恢复示范。
归档独立验收支持最终 patch 被接纳；不能由此推广为复杂多文件或长循环恢复能力。
LOCAL_TRAIN · 数据质量与训练影响
A/C 合并去重 + B，能改善哪些模型症候？
这批数据适合建立去重对照，但不能据此认定已补足纠错、停止或长期推理能力。合并会消除多池造成的隐式加权，保留大部分可执行修复知识；它几乎不增加新决策，还会保留教师的工具习惯与部分过程标签错配。
- 已核实C1/C2/B 的监督位置全部包含在 A 中。按同源 A/C 的监督并集合并，再单独加入 B，得到 989 个全量候选视图；其中 13 个是 C3 失败报告。C3 单列时，修复主池为 A 936 + B 40 = 976 个视图。
- 已核实恢复区域的相对曝光几乎没变：3.75% → 3.82%。B 文件本身的份额变大，不能直接解释成“纠错训练显著加强”。这些恢复位置原先也被 A/C 重复监督。
- 具体缺口过程标签仍有语义错配。发现一条 B 的失败→通过主要来自运行配置变化；一条 C3 把预期失败的负向测试当作未完成证据。去重保留了这两类问题。
- 训练影响推断更可能减少冗余和无意加权，未必消除复读或恢复基座成绩。A 中 80.3% 的轨迹仍监督查询 git 历史；已有大量自然结束正例，但 SFT 后 completed 仍降到 5/50，提示还存在当前学生状态覆盖和推理协议问题。
1. 对照三轮评测：要治疗的是行为链条
参考用户指定的 2026-10-28 三轮分析报告。下表直接取其内嵌数据。三轮均为固定 50 题；Run2 是续训权重，不是新的独立随机重复。基座前 31 题存在约 4% 时钟偏快，生成端还有续写状态影响，不能把差异全部归因于训练数据。
基座Run1Run2
“长截断复读”“首次修改前失控”“查询历史”等来自轨迹启发式；它们不是官方失败原因。测试命令不等于有效验证，git 历史查询不等于获取答案，max_tokens 不等于累计输出预算耗尽。官方 resolved 始终是结果指标。
更值得解释的是：首轮后自然完成减少，修改前失控和无修改增加；续训没有反转这一趋势。数据筛选需要覆盖“从观察中作决定、改变错误策略、完成修改、验证、收尾”的完整过程。单纯增加测试命令、缩短文字、提前调用编辑，都不是充分目标。
2. “合并去重”必须先定义到监督位置
此次主解释为：同一源实例先核对完整 token 序列一致，再对 A/C 的监督位置求并集，每个源轨迹只保留一次；B 仍作为局部恢复视图单独训练。这是合并情景核算，没有导出或替换任何训练文件。
A · 936 条成功修复主干，687 原发布 + 249 cap-3 扩展
C1 / C2 · 无新增位置保留行为标签；并集后等价于 A 原有 mask
B · 40 条相同上下文，仅重加权一段恢复动作
C3 · 13 条单列只监督最终报告，语义需要复核
全量候选表包含原 dev 数据，不能直接整体入训。总上下文 token 统计包含观察与重复前缀；监督 token 统计为 loss mask=1 的位置曝光次数；“唯一位置”指同一源序列中的位置，不是词表中不同 token 的数量。
为什么三种去重会产生不同结果
- 只去完全相同的行：删除 324 个 C1 副本和 247 个 C2 副本，仍留下 175 个 C2 子集视图，因而仍有不少重复曝光。
- 同源监督并集：C1/C2 无新位置，合并后就是 A；B 的 120,350 个位置也已在 A 中，另加 B 只使这些位置再训练一次。
- C2 优先：会去掉 A 相对 C2 多出的 65,589 个监督 token，涉及 175 个实例。它可以减少验证后的额外行为，也可能去掉有价值的补充检查，不能把这些尾部全部称为“无效思考”。
保留原 split 后的训练规模
这张表用冻结监督审计中的 train 各池合计投影。原始逐成员 split manifest 在当前可用位置缺失，故 937/924 是可核算的数量，不是已生成的 train 成员清单。正式导出时必须恢复原成员划分，不能因合并重新把旧 dev 放入训练。
3. 数据质量：格式可靠，过程与目标仍有缺口
| 维度 | 全量核查结果 | 能支持的结论与边界 |
|---|---|---|
| 格式token / mask / 台账 | 5/5 文件 SHA 与训练审计一致；1,735/1,735 通过长度、词表、mask、keep_msgs、spans 和台账计数校验；没有非 assistant 监督位置。 | 具备重新组合的工程基础。C1/C2 为 A 子集，B 与 C3 另行检查角色边界；检查的是发布 payload，不是重新运行工具。 |
| 结果修复轨迹 | A 的 936/936 有 evaluator success；935 自然 finish，1 条为 max_steps。全部记录为 evaluator_acceptance。 | 有归档的执行验收依据。F2P/P2P 通过数由总验收结果及声明节点数推导，不能冒充逐节点 JUnit 重放；本轮没有重跑 judge。 |
| 筛选既有错误 masking | A 中 294/936 条经过消息屏蔽，共 1,320 个 assistant 块不计 loss；最终保留 15,434 个 assistant 块。 | 当前数据已经做过错误步骤选择，不能把改进建议写成“从零加 error masking”。应修正漏检、错检和缺失的替代行为。 |
| 隔离来源与多样性 | 949 个实例来自 696 个仓库家族；A 本身为 936 个实例 / 691 仓。与受保护 SWE Verified 仓库名单的精确 family 交集为 0。 | 支持仓库名层面的隔离；不等于已完成 fork、语义近重复或所有 benchmark 污染审计。原 train/dev 划分仍须独立保留。 |
| 监督停止与报告 | A 中 904/936 条保留最终报告监督，31 条最终报告被屏蔽，1 条没有自然报告。C3 只保留 13 个报告。 | 不是完全没有“结束”样本。屏蔽不实收尾是合理的，但不会自动生成一个正确收尾替代目标；也不覆盖学生陷入循环后的停止决策。 |
| 任务测试判别力 | A 中 330/936 个任务只声明 1 个 F2P 节点；F2P 节点数中位数 2，P2P 通过数中位数 34。 | 节点数少不证明测试弱，节点数多也不证明覆盖充分。本轮未用错误补丁/正确替代实现挑战这些验证器，无法认定“通过即语义正确”。 |
| 行为当前学生状态 | B 只有 40 个源实例 / 40 个家族；它们来自成功教师轨迹内部。路径元数据统一指向 deepseek-flash 生成批次。 | 这些是局部恢复示范，不是当前 Qwen3.5-4B 在长截断、循环和压缩后状态上的真实纠偏分布。生成者标识来自归档路径，未另行重验调用签名。 |
A 的完整上下文长度
936 个实例，P50=18,388，P90=45,980.5，最大 65,491；217 条达到 32K。训练输入有中长上下文，但没有 64K 以上完整样本。
A 的受监督工具调用
15,089 bash / 392 read / 219 edit。bash 内也包含读写文件，不能把 native edit 少直接解释为没有代码修改；它确实使独立 edit 工具的示范较少。
思考长度与运行时复读需要分开。受监督思考正文重分词 P50=52、P90=669，最大 7,652；2,267 个块为空白思考占位符。按“至少 3,000 字符且压缩比小于 0.1”的静态候选规则，没有检出受监督的长复读。历史精确边界审计最大值为 7,653，差 1 来自正文抽取/重分词口径。这不证明训练后不会复读，而是削弱了“直接模仿训练集中 16K 复读文本”的解释。
查询历史的习惯会留下来。752/936 个 A 实例的正向监督中出现 git log/show/blame/rev-list/reflog，共 1,564 次；baseline 559/687、cap-3 193/249，两个来源都有。评测中查历史从基座 9/50 变成 46/50、45/50，与教师风格迁移的假设一致，但这仍不是因果证明。应筛无信息增益的查询，不能禁止所有历史查询。
为什么“最后编辑后测试通过”不能只取一个正则数字
原数据库记录 404/936 有 test 命令位于末次疑似编辑之后；本轮从序列化观察解析出 887/936 有 pass 摘要，669/936 的最后一个 pass 位于最后一个疑似写操作之后。两个口径不同，且 heredoc 被粗略算作写入、多个工具观察可能合并，均不能直接转成真实质量通过率。C2 的 422 条包含更细的既有规则检查，但仍应结合具体命令语义。报告没有将其余样本自动判为“没有验证”。
4. 逐例核查：最终成功与局部监督正确是两回事
以下是有目的的语义复核，不是随机抽样，不能把发现比例外推为全量缺陷率。全量统计覆盖 949 个实例；人工深读集中于这些具体反例与正例。C3 的 13 个最终目标均核对了文本和台账。
B 窗口错配
cdgriffith_puremagic_pr108：运行配置变化被计入恢复
失败端：PUREMAGIC_DEEPSCAN=0 python -m pytest -q 观察：2 failed, 106 passed 受监督 msg 55：Those tests inherently deep scan dependent, not concern. Normal passes. 接着修改文档拼写；msg 57 将新文件加入 diff；msg 59 清理测试生成文件。 通过端：python -m pytest -q（不再设置 PUREMAGIC_DEEPSCAN=0） 观察：108 passed
这个局部窗口没有修复“关闭 deep scan 导致的失败”，而是切回另一运行配置。最终任务修复可以有效，生成文件清理也不等于篡改既有测试；问题在于把这段当作因果明确的“失败→修复→相同条件通过”。B 中这条的 763 个目标 token 还会被额外加权。
模型审核为 KEEP，并在 notes 中承认 deep-scan=0 的失败是预期的。这说明“动作内容可保留”与“适合作为恢复窗口”是两种判断，当前标签没有充分区分。
C3 标签错配
businho_pytest-ruff_pr25：预期失败的负向测试
在 /tmp/broken_ruff2 写入故意损坏的 ruff.toml：broken = true 运行 pytest --ruff --ruff-format，按预期得到错误消息与 2 failed。 另一个观察：All checks passed! / 3 files already formatted。 最终目标：Implemented the fix ... Existing test suite: 7 passed Manual broken ruff.toml ... fail with the ruff error displayed.
数据台账把 2 failed 当作 HONEST_INCOMPLETE_REPORT 的证据；但这里是在测试“错误是否正确暴露”，失败输出是被期望的验证现象。关键词筛查还把 Existing lint behavior remains unchanged 中的 remains 当作限制说明。这条报告可以忠实于可见观察，却不是一个明确承认未完成的 C3 示范。
13 条 C3 最终目标全部以 Implemented 开头，多数再将剩余失败归因为旧测试或环境。这样的文本有时合理，有时需要反事实证据。当前检查不能认证这些归因全部正确，也不能将它们统称为“诚实放弃”训练集。
C2 筛查边界
durandtibo_grizz_pr315：验证后的动作不一定是反复修改
先得到 14 passed，随后用 Python heredoc 检查两种 ingestor 对不存在文件都抛出预期异常，观察输出为两个 OK。原规则把 python - << 视作修改，因此它进入 A/C1，却不满足 C2 的“最后修改后测试”规则。这个例子说明：选择更窄 C2 或删验证后尾部前，需要区分有效补充验证和无意义返工。
5. 加入 B 到底加强了多少纠错监督？
| 口径 | 原五池 | A/C 并集 + B | 解释 |
|---|---|---|---|
| B 文件独占曝光份额 | 1.14% | 1.91% | 只计算 B 那一行，容易高估改变 |
| B 所标注恢复位置的全部曝光 | 397,074 | 240,700 | 将 A、C 中同一位置的重复也算上 |
| 恢复区域 / 全部监督曝光 | 3.754% | 3.823% | 只增加约 0.069 个百分点 |
| 恢复覆盖的新实例 / 新位置 | 0 / 0 | 0 / 0 | B 的 40 条、120,350 个位置本来已在 A 中 |
去重还降低了“有 C1/C2 标签的源实例”被重复抽到的程度：C1 成员的视图份额从 50.4% 降到 34.5%，C2 从 62.4% 降到 45.7%。这是源实例成员份额，彼此可以重叠，不能相加成 100%。因此，去重并非只删除坏权重，也会撤销原来对早期修改和验证结束任务的偏重。
B 额外曝光倍数试算
保留 A+C3 的唯一监督 6,176,116 个位置；B 覆盖其中 120,350 个。试算只改变重复曝光，不生成任何新实例或能力。每个梯度累积窗口采用自身监督 token 分母，因此表中总 token 份额不是精确梯度份额或预测分数。
总曝光 = 6,176,116 + w × 120,350
恢复区域曝光 = (1 + w) × 120,350
不建议先把 B 放大很多倍。40 条中最长 5 条占 B 监督 token 的 41.3%，整体容易被少数长窗口主导；而上述配置切换反例也会被一起放大。优先修正窗口标签、增加真实恢复场景，再讨论权重。
另一个容易误解的点是：B 的失败前缀 loss=0，仅对 B 这个视图成立。同一上下文在 A 中仍按 A 的 mask 监督；如果某个错误动作在 A 中未被屏蔽，添加 B 不会抵消它。需要在源实例层面统一执行明确的坏步骤屏蔽。
6. 这批数据可能怎样影响下一轮训练
| 目标症候 | 数据能提供什么 | 合并后的预期影响 | 判断边界 |
|---|---|---|---|
| 无意重复、继续拟合教师风格 | 同源副本从 1,735 减至 989，唯一任务不变 | 较明确的机制降低局部任务/步骤的隐式权重；同 epoch 下减少训练曝光，可能减少能力偏移 | 不等于消除所有过拟合；同 step 数继续训会重复更多轮，收益可能缩小 |
| 首次修改前失控 | 仍有 324 个 C1 标签实例，已有有依据的早期修改 | 改善有限不会新增从 16K 思考失控状态切回行动的示范；C1 成员权重还会降低 | 不把“第 6 步前修改”设成普适硬门；基座成功组首次修改中位数为 10 步 |
| 长截断复读、动作循环 | 屏蔽了部分既有重复，保留中短思考 | 没有直接治疗证据可减少旧冗余；无法凭 teacher-forced 样本教会学生在自身失控状态恢复 | 静态无复读不保证自回归无复读；需将采样、续写机制作为独立对照因素 |
| 遇错不改变策略 | B 的 40 个教师内生恢复窗口，前缀/观察均保留 | 局部有效可偏重断言反馈后的实现修正；实际恢复区域份额只略升 | 覆盖窄，有窗口归因错误；不是当前学生失败前缀的新纠偏数据 |
| 反复验证、不自然结束 | 904 个 A 最终报告仍被监督，C2 标签仍保留 | 保留已有能力完整收尾知识不丢；简单并集不增加新的停止信号 | 31 个被屏蔽报告没有自动补上正确替代；需证明最后修改后的验证及部署协议相容 |
| 错误定位、部分 F2P、P2P 回归 | 936 个归档成功修复，691 个仓库家族 | 保留基本修复知识广仓库覆盖有价值，但新的接口/跨文件能力覆盖没有增加 | 测试充分性、错误补丁拒绝能力及长程复杂任务覆盖仍未验证 |
| 虚假完成、将失败归因环境 | C3 仅 13 个最终报告，不监督修复行动 | 可能带来负迁移若无正确证据，可能强化“已实现 + 失败无关”的收尾话术 | 不能把这种风险写成已发生的训练因果；应先逐条复核，而非直接放大 C3 |
| 工具错误与查询历史泛化 | 96.1% 受监督调用为 bash，80.3% A 实例查询历史 | 习惯大概率保留去重后仍会学习这些工具偏好；native edit 的独立样本很少 | bash 写入可以完全正确；应补足工具前置条件和恢复，不按工具名字惩罚 |
最合理的收益假设是“训练目标更均衡、少花预算重复已有内容”，而非“新合并数据已能修好三症候”。没有新训练和独立执行评测，不能预测会恢复到 20/50，也不能给出解决率增幅。
7. 建议：先修标签，再用一次受控训练判断
| 优先级 | 最小有效动作 | 完成证据 |
|---|---|---|
| P0 · 数据身份 | 恢复原始逐成员 split manifest；合并后保留 instance/family/pool 标签、原 hash、源消息位置。C3 独立登记。 | 成员划分与原 train/dev 一致；所有同源视图同 split；发布新版本而不覆盖旧数据。 |
| P0 · B/C3 语义 | 逐条复核 40 个 B 的失败原因、恢复动作和前后执行条件；复核 13 个 C3 的“未完成”语义与失败归因。 | B 不能以改配置/缩小验证替代修复；预期失败的负向测试不作为未完成证据；去掉错配或重新分类。 |
| P1 · 过程覆盖 | 从训练分区收集当前学生真实失败状态上的恢复；补最后编辑后的有效验证与正确收尾。 | 失败前缀真实、续写实际执行、独立验收；不以 benchmark 原题或近似答案制作纠偏。 |
| P1 · 多样性 | 在任务/行为层面采样，限制单一源轨迹曝光；保留容易任务与复杂任务，不机械只选短轨迹或前 6 步修改。 | 同时报告唯一源任务、有效监督 token、恢复类型和长度分布；不能只报 JSONL 行数。 |
训练预算与对照必须一并定义
按原 train 合计投影，保留 C3 时 1,647 → 937 个视图，监督曝光 9,965,547 → 5,922,376，输入上下文约减少 39.7%。在每次累积 8 条的既有配置下，一遍数据约从 206 次更新变成 118 次。这不是训练墙钟耗时承诺，也不是相同优化预算。如果固定 206 steps，新数据会被重复约 1.75 遍，不能把结果仅解释为“去重更好”。
建议从同一官方 Qwen3.5-4B 初始化新的 LoRA，以相同 mask/框架、学习率调度和执行 dev 协议对照。先做原分布与去重分布的同曝光预算比较，再单独加入修正后的 B/C3 或新增恢复数据。不要同时改变数据、LoRA rank、采样温度和 harness。
| 对照 | 变化 | 回答的问题 |
|---|---|---|
| D0 | 原五池分布 | 可比的原始数据目标 |
| D1 | A/C 去重，B 保留，其他固定 | 隐式多视图加权是否有害 |
| D2 | D1 加 B/C3 语义修正 | 标签/恢复窗口质量是否影响行为 |
| D3 | D2 加真实学生状态恢复与收尾数据 | 新状态覆盖是否带来额外泛化 |
D0–D3 是验证设计，不是已执行的实验。用独立家族执行 dev 选择 checkpoint，resolved 与回归题数为主；复读、首次有效修改、验证和停止作为解释指标。SWE50 保持冻结，不能回流训练，也不应被反复用于调数据和选 checkpoint。
8. 全量源实例明细
949 个源实例，一行一个；A 的数值使用合并后保留的 A mask，C3 使用其报告 mask。标签可重叠。筛选仅查看归档统计；“无解析 pass”“报告被屏蔽”不是自动失败判定。
9. 来源、口径与未覆盖事项
所有分析输入以路径和 SHA-256 绑定。五池源文件来自主 checkout 的冻结发布位置，用户指定的三轮 HTML 来自另一 Lody worktree；本报告写入当前 worktree。没有修改原数据，没有读取 hidden gold/test 内容，没有调用教师或占用 GPU 训练。
审计代码、统计定义与复现入口
代码：analysis/swe/audit_acb_quality.py。逐行校验既有 ids/mask 合同，以临时 SQLite 索引源实例与监督视图，解码 949 个唯一上下文；序列相同时才比较监督位置集合。原 samples 数据库以只读 URI 打开。输出是审计统计，不含新训练发布资格。
python -X utf8 analysis/swe/audit_acb_quality.py \ --source-root E:/Deeplearning/local_train \ --reference <用户指定的三轮评测 HTML> \ --output <临时审计 JSON 路径>
长度分位数采用排序后 (n−1)×q 的线性插值。思考正文长度为 decode 后截取 <think> 正文再用同一 tokenizer 重分词，含空白占位符，不能与整个 assistant 回合长度混用。长复读静态检查为正文至少 3,000 字符且 zlib 压缩比 <0.1，不表示生成时 finish_reason=length。
查询历史按受监督 bash 命令匹配 git log/show/blame/rev-list/reflog；测试与潜在写入复用既有 segment_review 规则。多工具调用可能合并观察，heredoc 也可能被当作写入，所以自动 pass/修改顺序仅用于筛查。结构与监督集合的计数不依赖这些行为启发式。
mask spans 的末端为包含端点。B 区域曝光对同源的每个视图计算 mask 与 B mask 的交集，再累计；因此不会把 B 文件的单独份额误写成全部恢复监督份额。token 份额不是精确梯度归因。
- 没有本次重判分：success 与 F2P/P2P 来自既存 evaluator 收据索引，测试环境漂移和验证器充分性未通过新执行核验。
- 没有全量人工语义认证：全量自动审计、C3 最终目标核对和少量深读案例，不能给出全量错误率或“无污染”保证。
- 没有新模型收益：所有影响判断均为机制推断；训练 loss、数据通过率与官方 resolved 不能互相替代。
- 没有新 split 或发布：989/976 是全量候选情景；937/924 是旧 train 合计投影。原逐成员 manifest 恢复前不产生训练准入结论。
阅读顺序建议：先看主要结论与合并口径，再看 B/C3 反例和曝光试算。此报告刻意保留“有价值的数据基础”与“尚未解决的模型行为”之间的证据边界。