25. 2026-10-03 自主工作期（三）：测量工具被审计，而我的一个"发现"被撤回

★ 本节的主题不是"她学会了什么"，而是【我的尺子有多可信】。而它的结论是：两个真缺陷、一次撤回、一次反向否证。

#25.1 ★★★★★ 两个真缺陷（都影响过结论）

#	缺陷	后果	★ 修法
1	★★ `--snapshot-every` 的快照【不存判定条件】（`arrive_px`/`arrive_bonus`），而"最好点"与"末点"都存了	★★ 对 `_snap.pt` 复评时只能回退到默认值* → 同一个快照在不同工具下判定不同。而快照正是判断"最好点出现在什么时候"的东西	★ 存全三个字段；并回填已有 126 个快照（值从各跑次自己的日志横幅读，不是猜；只补缺失键）
2	★★ `train_cmds` 在 188/188 个跑次上解析为 `None`	★★ WebUI/审计工具看不到"这个跑次用几条指令训练"；而 2 指令判决实验全靠它	★ 逐行 `match` + 优先用已解码的「训练指令集」行 → 现在 0/188

★ 缺陷 2 的两个叠加原因（都值得记）：

text

① 正则要求行尾紧跟 `]`，而实际行后还有「留出（判据 4）['左','右']」
② 改成对整篇用 `^` 之后踩到引擎行为：
   txt 以 '\n' 开头时 `^\s*指令` 匹配不到第二行，而同一正则在 txt[1:]（以空格开头）上能匹配

★★ -> 所以稳的做法是【逐行 match】，而不是对整篇用 ^。

#25.2 ⚠️⚠️⚠️ 一次撤回：一个"听起来很有道理"的解释

★ 我写过（并差点当成重要发现）：

"训练监控的到位率是采样，独立复评是贪心，所以两者差 2 倍、方向相反。"

而读源码后发现：evaluate() 行 1034 用的是 sigmoid(...) > 0.5 —— 两者都是贪心。

★ 真因是：我自己的探针脚本忘了设 arrive_px（跑在默认 4.0 上，而检查点是 12.0 训出来的）。她的最终位置距目标 6.12px ⇒ 在 12.0 下到达、在 4.0 下不到达 —— 那个"矛盾"是我造的。

→ journal/RETRACTION_ARRIVAL_GAP_WAS_MY_OWN_BUG.md

#25.3 ★★★★★ "到达"有两把尺子（本会话被它坑了两次）

尺子	定义	6.12px 时的判定
★ 到达判定	欧氏 `dist_px <= arrive_px`（12.0）	到达
★★ 环境自报 `_dist_cells()`	曼哈顿"格"距离（`CELL_H = 14.4px`）	★ 0 格 ⇒ "在目标格里"

★★★ -> "她在目标格里"与"她到达了"不是同一件事。 复评工具现在两者并排打印，且打印它实际使用的全部判定条件。

#25.4 ★★★★★★ 判决实验："干扰假设"被反向否证

组	最好点条数	n	Fisher「至少 1 条」
4 指令	3,1,3,1,1	5	5/5
2 指令	0,0,0,0,0,0	6	★★ 0/6，p = 0.002

★ 减到 2 条指令让她【明显更难学到任何东西】—— 而干扰假设预测的是相反方向。 ★ "设置坏了"也被排除：两组训练信号同构（sup 都在步 1300 归零、ent 都稳定 −0.24）。 → journal/RESULT_INTERFERENCE_HYPOTHESIS_REFUTED_IN_REVERSE.md

#25.5 ★★★★ 新增的机制（不是"再加一条教训"）

工具	作用
★★ `tools/supervisor/workqueue.py`	待办登记册：每项写明 `gpu` 需求 / 依赖 / 可核对的完成判据；在我空闲时叫我做下一件事
★★★★ `tools/supervisor/gate.py`	把修过的每个 bug 变成一条可重跑的核对（7 组）—— 用户批评的正解："记录教训与防止重犯之间没有机制连接"
★★★ `tools/supervisor/calibrate_gate.py`	校准闸门：故意弄坏两处，确认它真的会失败（基线 0 → 弄坏被抓 → 恢复后回 0）
★★ `tools/supervisor/audit_static_silent_failures.py`	静态审计"算了但没落盘"与 `except: pass`

★ 闸门从 76 项失败收敛到 0：把它限定在【当前在用的 7 个 .ps1】 —— 用今天的标准回测 60 个历史脚本是噪音，而噪音会淹没真问题。

#25.6 ★ 本节的教训（161–166）

#	教训
★ 161	★★★★★ "两个工具报同一个量却给出不同值"时，先读【它们各自怎么算的】，不要先怀疑其中一个坏了。
★ 162	★★★★★ 解释越漂亮，越要先测。一个"听起来很有道理"的解释比一个明显的 bug 更危险 —— 因为它会让我停止查。任何机制解释都必须附带一条可直接测量的预测。
★ 163	★★★★ "看起来差很多"不能替代统计检验；n<10 时用 Fisher。并且要把【方向】写进结论 —— "没差别"与"反方向"是两种结果。
★ 164	★★★ 日志里的"到达率/成功率"必须注明【动作模式】与【判定条件】，否则不同工具会给出不同读数而看起来像数据矛盾。
★ 165	★★★ 回滚/替换编辑时，先用工具核对"真实文本"，不要凭记忆。我这次取错过备份、也写丢过字典开头。
★ 166	★★★★★ 一个"恒为真"或"恒为假"的核对与没有核对一样没用。我写出过一条恒为假的检查（搜全角括号而源码是转义写法）—— 校准（故意弄坏）是发现它的唯一办法。