# evolve_report_v5 — h3-video-prompt Retrain v5 · Phase 3 EVOLVE（T-mtd9w6oi）

**执行者**：innovator-evolver（🧪 Evolver）｜**日期**：2026-08-28
**上游**：Phase 1 HUNT（T-mtd7r60r）+ Phase 2 DIGEST（T-mtd8yff2），均已由 Innovator 逐项验收放行
**SKILL 产出**：`train/evolve/SKILL_v5.md`（**v0.6.0 候选，50,253 B**；未部署，线上现役仍为 v0.5.0 / 89,010 B）
**配套**：`iteration_log_v5.md`｜`round_outputs_v5/{round1,round2,counterfactual}/`（43 + 10 + 5 件）｜
`_v5_artifacts/{scores_r1,scores_r2,scores_cf,inputs_blind,tools}/`

---

## 〇、可比性声明（惯例，先说）

**v5 的三轨数字与 v4 的三轨数字不可直接比。** 四个原因：

1. **判据变了**：v5 新增 16 条（#47-#62，含 H1-H16），v4 的 46 条零条被推翻但 12 条换了 A 级一手出处。
2. **prompt 轨多了第二种计分模式**：链路模式（LU15+SD20+SS30+HP35）与单件模式（九维度 20+10×8）
   是两把量尺，benchmark_v5 §七明文「不可直接比」。本轮 prompt 轨 31 个实际产出场景中 2 个走链路
   （TS-29/43），须分列。
3. **量尺性质**：B1-B5 / CL1-CL5 / LU-SD-SS-HP 仍是**构造性量尺**（#62 标 C 级、0 真实先例），
   100 分是构造量尺上的达标，不是行业分数。h3-video-prompt 无可抓取的第三方行业平均分。
4. **轨别跟随实际产出形态**（C8a）：round 1 与 round 2 的轨内构成不同（见 §二.3），跨轮比较只能
   逐场景 Δ，不能比轨均值。

本轮只做**轮内比较**（Round 1 vs Round 2，同一量尺同一场景集）。

---

## 一、验收标准逐条对照（任务书 ①-⑤）

| # | 验收标准 | 结果 | 证据 |
|---|---|---|---|
| ① | SKILL_v5.md ≤60KB 且 A 级判据零丢失 | ✅ **50,253 B**（较现役 89,010 B **−43.5%**，较 v0.5.0 终值 88,655 B −43.3%）。H1-H16 全部保留且全部升 A 级一手行号；v4 关键条款逐项保留（见 §四.3 抽查对照表） | §四 |
| ② | 三轨 ≥90 分且算式可复算 | ✅ prompt **97.03**（31 场景）／block **95.40**（5 场景，逐场景 100/100/93/92/92）／clarify **96.71**（7 场景，min 90）。链路模式 2 场景 97/97 单列 | §二 |
| ③ | 自评偏置缓解落地且有量化 | ✅ 三层缓解落地，量化见 §三（盲执行形态一致率 39/43；独立评分者与本人 5 条机械主张亲核 4/5 成立；反事实 5 样本把真实产出 90-98 与退化策略 32-68 拉开） | §三 |
| ④ | 已知会失败样本低分、区分度 gap 实测回填 | ⚠️ **部分**。gap 实测已回填（§五）：4/5 达标（66/32/40/47），**TS-35 实测 24 < 25 破线**，根因已定位并按纪律不调阈值。已知会失败样本 7 条中 6 条拿高分 → 逐条给出「判据缺齿」清单交回 Digest（§六），未用调阈值掩盖 | §五/§六 |
| ⑤ | v1-v4 零改动 | ✅ **R6 复测：284 个既有文件 bytes+sha256 零改动、零缺失**；新增 61 个文件全部为 `SKILL_v5.md` 与 `round_outputs_v5/`（§八） | §八 |

---

## 二、最终成绩（三轨分开呈现，禁止跨轨合并）

### 2.1 主口径（轨别跟随实际产出形态，v4 C8a / benchmark_v5 §七）

| 轨 | n | Σ | **均值** | 逐场景 | 达标条件 | 判定 |
|---|---|---|---|---|---|---|
| **prompt · 单件模式** | 29 | 2813.80 | **97.03** | TS-03/04/05/06/10/11/13/14/15/16/17 = 98,98,98,98,100,98,98,98,98,98,98；TS-18=96；TS-19=93.3；TS-20=98；TS-21=91.1；TS-23=95.6；TS-24=97.8；TS-25=98；TS-28=98；TS-30=96；TS-31=94；TS-32=100；TS-33=98；TS-35=92；TS-37=96；TS-38=98；TS-39=98；TS-40=98；TS-41=96 | 均值 ≥ 90 | ✅ |
| **prompt · 链路模式** | 2 | 194.00 | **97.00** | TS-29=97、TS-43=97（LU+SD+SS+HP 四层实体判分） | 均值 ≥ 90 | ✅ |
| **block** | 5 | 477.00 | **95.40** | TS-09=100、TS-12=100、TS-26=93、TS-34=92、TS-42=92 | **每一个场景 ≥ 85** | ✅ |
| **clarify** | 7 | 677.00 | **96.71** | TS-01=98、TS-02=97、TS-07=100、TS-08=99、TS-22=98、TS-27=95、TS-36=90 | **每一个场景 ≥ 85** | ✅ |

算式：prompt 单件 = Σ(维度得分/5 × 权重)，D1 权重 20 + D2-D9 各 10 = 100；链路 = LU+SD+SS+HP；
block = B1-B5（25+25+20+15+15）；clarify = CL1-CL5（30+25+15+15+15）。逐场景记分卡
`_v5_artifacts/scores_r2/`（10 个 round 2 复跑）与 `scores_r1/`（43 个），每张含 `formula` 字段可复算。

### 2.2 prompt 轨的两种模式必须分列（可比性声明第 2 条）

- 单件模式 29 场景 mean **97.03**；链路模式 2 场景 mean **97.00**。两者算式不同，**不可相加平均**；
  上表分开呈现。链路场景 v4 无对应样本，故与 v4 的可比范围仅限单件模式场景。

### 2.3 声明轨别口径（对照，因 TS-01/02/36/34 的轨别改判而有差异）

| 轨 | 声明轨别 n | 声明口径均值 | 主口径均值 | 差异来源 |
|---|---|---|---|---|
| prompt | 33 | 97.05 | 97.03 | TS-22 在 round 1 产出反问清单 → C8a 改判 clarify |
| block | 5 | 95.40 | 95.40 | 一致（round 2 后 TS-34 实际交付即阻塞报告） |
| clarify | 5 | 96.40 | 96.71 | TS-01/02/36 实际交付反问清单 → C8a 改判 clarify |

> **两种口径都给**是因为部署线写的是「轨」，而 C8a 说轨别跟随实际产出。本轮 4 处改判
> （TS-01/02/36 → clarify，TS-34 → block）全部是**正确行为**（该问就问、该阻塞就阻塞），
> 因此主口径下三轨都更干净。改判逐条在记分卡 `track_reclassification` / `track_change` 字段留痕。

### 2.4 零静默引用 / 零臆造（诚实口径）

- **零静默引用** ✅：43 + 10 + 5 = 58 份交付物，无一处把 note 标记不可用的素材写进
  `references`/`conditions` 或正文层。TS-09/12/26/34/42 五个阻塞场景的 `references` 均
  excluded 单列（TS-26 在 round 1 曾把水印图放进名为 references 的数组，round 2 已改为另立字段）。
- **零臆造** ⚠️ **严格口径下不成立，如实登记 3 处残余**：round 2 的 TS-16/TS-37/TS-43 各有 1 处
  D8 −1 —— 把**未随单送达**的参考素材外观细节写成事实（如「established in <Picture N>」但该图
  内容不可读），未显式标注为待核对假设。这是 OSS 占位符不可读 + 素材职责已给但像素内容缺失的
  结构性缺口，本轮用「显式标注假设」缓解了大部分（round 1 的 8 处 → round 2 的 3 处），但**不构成
  「零臆造」的绝对宣称**。其余 40 个 prompt 场景未发现臆造。
- round 1 的 TS-01/TS-36 编造主体（D8 档 1）在 round 2 **已消除**（改为反问清单）。

---

## 三、自评偏置的结构化缓解（验收 ③，三层 + 量化）

> 既有结构性风险：执行者与判分同体、判分前已读 scoring_points。本轮三层缓解，全部留档可复查。

### L1 盲执行（结构化，物理剔除）

43 个场景的执行输入文件**只含** `id` / `raw_brief` / `input_delivered_fields`（+ 声明送达时的
`asset_menu`）。`scoring_points`、`mode`、`why_this_mode`、`expected_outcome`、`scoring_track`、
`expected_chain` **物理剔除**后才交给执行者（6 个独立子 agent），留档 `_v5_artifacts/inputs_blind/`
（43 文件，可逐个 diff 验证）。

**量化效果（盲判一致性）**：43 份盲产出中 **39 份**的产出形态/轨别与基准归属一致（**90.7%**）；
4 份不一致（TS-01/22/36 轨别、TS-14 形态）。这 4 份正是本轮真正的行为缺陷来源 ——
也就是说，盲执行把缺陷**暴露**了出来，而不是被 scoring_points 提前喂答案掩盖。
（对照：若执行者先读 scoring_points，TS-01/36 的编造主体行为会被抑制，60 分的两个真缺陷就不会出现。）

### L2 独立复核（评分者 ≠ 执行者 ≠ 我）+ 机器算分

- 43 + 10 + 5 = 58 份交付物由 **6 个独立评分 agent**（round 1）+ 2 个（round 2）+ 1 个（反事实）
  评分，作业书（`_v5_artifacts/tools/SCORER_BRIEF.md`）明确禁止他们读 `SKILL_v5.md`（技能本体不是
  量尺）与 `cache_v5`、round1/round2 互不读。
- 机器算分与自评分离：`mech_check.py` 对 43 份产出跑 13 族确定性机械项（窗式/`[Shot N]`/`At MM:SS.mmm`
  计数、H1 字符数、H6 词数、H10 句数、H9 白名单、占位符、官方外词法、(Sx)/`<d>`/`<scenetrans>` 计数），
  结果 `mech_r1.json` + `mech_h1_ph.json`，**不经过我的判断**。
- **我对评分员机械主张的亲核（量化）**：抽查 5 条可核实的具体主张，**4/5 成立**——
  TS-16 `retention_analysis` 含 (S1)/(S2) ✅、TS-37 summary 缺 `+ audio reference` ✅、
  TS-02 指令行逐字 ✅（评分员该条扣分指的是资产层 URI 字段，不是指令行）、TS-13 `[Shot N]`/`At` 计数 ✅、
  **TS-40「交付记录层写 At 00.500 秒」未能复现**（实测记录层与正文一致 `At 00:03.500`/`At 00:07.000`）
  → 该条按**未证实**登记，未计入 TS-40 扣分依据。评分员不是永远对的，这是本轮亲核的实际产出。

### L3 反事实样本（量尺不是「给了就高分」）

5 份对抗策略样本实跑（§五），同一套评分员/量尺给退化策略 **32-68 分**、给真实产出 **90-98 分**。
若量尺只是宽，P2（写作精良但素材违法）不会只拿 60。

### 残余偏置（诚实登记，不假装已消除）

1. **我既写 SKILL 又组织评分**。评分员按 benchmark_v5 判，但 scoring_points 由上游 Digest 写、
   SKILL 由我写，两者同源于同一份任务书的解读 —— 这一层的同源风险未消除。
2. **TS-14 的形态改判由我拍板**（round 1 评分员判 ② 误判给 60；我判 ①，并在 SKILL §0.2 落了
   泛化规则后 round 2 复跑得 98）。这存在「我改规则我复评」的循环。缓解：改判依据写进
   SKILL §0.2 第 3 条的是**泛化判据**（「拆成 N 个镜头 ≠ ② 型」），不是针对 TS-14 的特例；
   且 benchmark §10.1 覆盖矩阵把 TS-14 归 ①、§一 1.2(c) 说 ② 合法，两处量尺自身就有张力
   （已在 §六.2 登记为需 Digest 裁决项）。**该 98 分建议 Innovator 抽查复核。**

---

## 四、任务书六件事逐条落实

### 4.1 v4 遗留 #1 篇幅瘦身（硬目标 ≤60KB）

| 项 | v0.5.0（现役） | **v0.6.0 候选** |
|---|---|---|
| bytes | 89,010 B（磁盘现役）／88,655 B（v4 报告终值） | **50,253 B** |
| Δ | — | **−43.5%**（vs 89,010） |
| 目标 | ≤ 60,000 B | ✅ 余量 9,747 B |
| A 级判据 | v4 无一手行号 | H1-H16 全保留 + 16 条 #47-#62 全部落，**零丢失** |

收敛手法（revision_notes §4.3 第 1 点）：按作用域改写去重 —— §0 从「习语甲/乙」重构为
「三种交付形态 ①②③④ + 语言按形态划界 + 记号硬互斥」；v4 从镜像推演的长描述（如 §0.3 的整段
英文引用 + 三段解释）替换为官方短条款表（`docN:line` + 一句话）；合并重复示例（§0.5.5 与 §6.3
的同一条款合并为一处 + 指针）；§1 七步工作流与 §7 自查清单条款表化；§12 来源标注压缩为分级清单。

### 4.2 v4 遗留 #2 自评偏置 → 见 §三（三层缓解 + 量化）

### 4.3 SKILL §0 作用域重写（C-1 / C-2）+ A 级判据零丢失抽查对照表

| Innovator 点名的条款 | v4 位置 | v5 位置 | 状态 |
|---|---|---|---|
| 习语分轨（习语甲/乙） | §0.1/§0.2 | **§0.1/§0.2 重构为「三种交付形态 ①②③④」**，习语甲→① 型、习语乙→② 型，判据理由保留（② 是唯一窗边界显式成对可核验的形态） | ✅ 重写非追加 |
| 「正文必须英文」的作用域 | §0.3（收窄到习语甲） | **§0.3 语言规则按交付形态划界表**（doc2:242 ① 型英文 / doc1:97+doc1:35 ② 型跟随用户 / 跨形态不变量台词与可见文字），并保留「判据越界违规」双向条款 | ✅ 按 C-2 重写 |
| 四禁令（UI） | §0.4.5 | §0.5「UI 文字四禁令」（R 级 v4 镜像 co-op:133 如实标级） | ✅ |
| 窗边界（C5 分行标级） | §0.4.3 四条表 | §0.5 窗边界四条分行标级表（A/A/C/C），含「不得合并成一句」的元纪律 | ✅ |
| 标签绑定（H14 五处同义 / H15 独立编号） | §4.1/§6.2 | §0.4 H14/H15 行 + §3.3 + §1.7 第 4 项 | ✅ 升 A 级（doc2:272/:347/:349） |
| **H9 关系标记 8 个取值**（非 6 个） | v4 无 | **§0.4 H9**：可见 4（fully_preserved/partially_preserved/attribute_transfer/weak_reference）+ 音频 4（fully_copy/partially_copy/reference/weak_reference），来源 doc2:398/:400-405/:427-434；已实测 round 1 全部交付零自创取值，round 1 发现的 `(Sx)` 混入 retention_analysis（doc2:579）在 round 2 清零 | ✅ 按官方落 8 个 |
| 链路四层交付义务 | v4 无 | **§0.6**：LU/SD/SS/HP 四层义务表 + 映射纪律（窗号↔镜号一一对应、只允许一套时间轴）+ 「单件需求不要硬拆四层」 | ✅ 新增 |
| 第 0 步判形态 | §0.5 第 0 步 | §0 开篇 + §1 工作流第 0 步 | ✅ |

### 4.4 链路四层交付义务（任务书第 4 项）

SKILL §0.6 落四层义务表 + 映射纪律。实跑验证：TS-29 / TS-43 两个链路场景均交出四件（LU/SD/SS/HP），
SS 层 ② 型窗式、HP 层 ① 型结构化，**窗号 ↔ 镜号一一对应、只此一套时间轴**（TS-29 HP1 满分、
TS-43 HP1 满分）；TS-30（`expected_chain` 只含 h3_prompt）正确交单件，未硬拆四层。
round 2 评分员在 TS-43 抓到 3 处 −1（LU3 臆造 / HP3 第二次发声缺 (S1) / HP4 `<Picture N>` 无定义条目），
已记 97。

### 4.5 双循环跑分 → §二（两轮收敛，三轨全过线）

### 4.6 区分度实跑回填 → §五

---

## 五、区分度实跑回填（任务书第 6 项，真跑对抗策略）

**方法**：5 份对抗策略产物由独立执行 agent 按 P1-P5 策略书生成（未读 SKILL、未读 benchmark），
再由独立评分员按同一量尺实算。**正确响应实得分取 round 2 实际分数**（不是预计算值）——
这是本轮与 Digest 预计算最大的口径差异，也是 gap 变化的主要来源。

| 场景 | 正确实得分（r2） | 策略 | 策略实得分 | **实测 gap** | 预计算 gap | 偏差解释 |
|---|---|---|---|---|---|---|
| TS-33 | 98 | P1 always-block | 32 | **66** ✅ | 60 | 交付物比预计算更差：把「可直接用」判死、「没有也行」升格硬要求，且命中「程度词反向放大也算改写」（D7/D8 各 2→1） |
| TS-34 | 92 | P5 weaken-note | 45 | **47** ✅ | 55 | 策略侧零偏差（B1=0/B2=25/B3=12/B4=8/B5=0 逐项成立）；gap 收窄**全部来自被减数**（正确分 100→92，r2 抓到 B4 缺成片后果） |
| TS-42 | 92 | P2 never-block | 60 | **32** ✅（最窄之一） | 48 | 交付物**更好**：D3/D4/D5/D9 实做到 4/5，咬合的只有 D7/D8/D1 三颗齿；**H5b 对「两种官方记号都不用、自创 `Shot 1 \| 0.0s–3.0s`」无落点** |
| TS-36 | 90 | P4 never-clarify | 50 | **40** ✅ | 47 | 交付物略好（D3/D4 到 4/5），但评分员实抓到预计算漏列的硬伤：**P4 产物写 30fps 违反 H3**（doc1:35），两相抵净 +2 |
| TS-35 | 92 | P3 always-clarify | 68 | **24** ❌ **破线（<25）** | 27 | 策略侧零偏差（CL1=20/CL2=25/CL3=8/CL4=10/CL5=5）；破线**不是策略写得好**，是量尺给「不产出策略」白送 40 分（CL2 零臆造不作为即满分、CL4/CL5 各半权重）+ 预计算用 95 当被减数只留 2 分余量 |

**结论**：4/5 达标（66/47/32/40），**TS-35 破线 24**。按「修维度设计而不是调阈值」纪律，
本轮**未调任何阈值**，破线项交回 Digest（§六.1）。另登记：block 轨的验收余量会被正确分实际水位
直接吃掉（TS-34 的 gap 从 55 收到 47 与策略侧无关）。

---

## 六、已知会失败样本与量尺缺齿（交回 Digest，不改分数）

任务书：已知会失败样本拿到高分 = 修维度设计而不是调阈值。本轮 7 条已知失败样本的实跑结果：

| 样本 | r1/r2 分 | 诊断 | 缺的牙齿（建议 Digest 下轮补判据，本轮未动量尺） |
|---|---|---|---|
| TS-09 | 100/100 | 走阻塞路径正确，但高分不构成判据无牙（封顶三道存在） | B3 缺「预案零臆造」反向判据；B5 只审素材范围不审反问/推定范围 |
| TS-18 | 96/96 | R/V 双口径全做对，扣分全在 scoring_points 之外 | 关系标记须挂在**有参考来源**的标签上（TS-18 `<Subject 2>` 无来源却标 fully_preserved） |
| TS-21 | 91.1/91.1 | 正确切 ① 型，扣分在模式自报名与请求不符 | 模式名一致性判据；D4「类别级 vs 取值级」档位 |
| TS-28 | 98/98 | 时长冲突处理正确 | 六段①–⑥↔窗的机械对应判据 |
| TS-31 | 94/94 | ① 型内零窗式（H5b 未违规），扣分在 0 处 `[Shot N]` 起头 | ① 型逐镜 `[Shot N]` 连续编号判据（doc2:111/:114 现只在 HP2，未进场景判分点） |
| TS-32 | 100/100 | ② 型正文零英文（H5b 未违规） | ② 型正文拉丁 token = 0 与零结构化字段残留判据 |
| TS-38 | 96/98 | 拒写 900 词/7000 字符满额并显式说明（**正确行为**） | **判据无牙齿，期望线 <75 无产生路径**：缺部分执行分档（写 500-600 词/凑篇幅堆词）、静默弃权判分点（不写说明地无视指令与本次交付在判据上等价）、过度拒真下限校验、交付记录层与正文一致性校验 |

> **诚实立场**：这 7 条里 TS-31/32/38 的「高分」是**正确行为得了高分**（H5b 没被踩、诱导被拒绝），
> 不是 agent 犯错被放过。它们说明的是**判据的区分度只覆盖了诱导路径，没覆盖正确路径的反向反查**
> ——这与 §五 的 TS-35 破线是同一性质的两面。本轮一律不改分数、不调阈值，缺齿清单如上交回。

### 需 Digest 裁决的量尺自身张力（3 条）

1. **TS-35 破线**（§五）：CL1 ≤ 20 是唯一真齿；建议把「已授权裁量项被退回提问」设为 CL1 档 1 或
   CL4 实体扣分，或验收口径明确用预计算正确分并单列 TS-35。
2. **TS-14 形态归属**：§10.1 覆盖矩阵归 ①，§一 1.2(c) 说 ② 是合法最终 Prompt 形态，TS-14 的
   raw_brief 两可。本轮按矩阵采 ① 并把泛化判据落进 SKILL §0.2 第 3 条；建议 Digest 在矩阵里给
   TS-14 加一条显式归属注（TS-19 才是 ② 侧对照样本）。
3. **TS-27 与 §6.4 增补 1 互斥**：TS-27 的 CL1 点名要确认「时长是否就是 15 秒」，而 §6.4 增补 1 说
   不把可推断低风险参数拿去问（TS-35）。评分员按场景判分点扣了 CL1 −5 并留痕；两处需统一口径。
   另 TS-43 的 SD1（场景判「总量」vs 基准判「每段 4-15s」，3s 段越下限）同属此类。

---

## 七、SKILL 侧两轮迭代的真实改动（非阈值）

| 轮 | 改动 | 触发场景 | 效果 |
|---|---|---|---|
| r1→r2 | §0.2 新增第 3 条：「拆成 N 个镜头」≠ ② 型，只要求镜头切分而无逐窗显示内容要求 → ① 型多镜 | TS-14 | 60 → 98 |
| r1→r2 | §1.1 新增**硬门**：核心主体未知 / 必需 UI 文案缺失 → 反问为唯一合规路径；**用户的显式授权（你们定/看着办）不构成主体事实**；低风险参数例外显式标注推定 | TS-01、TS-36 | 60 → 98、60 → 90 |
| r1→r2 | §1.2 第 5 条：note 版本要求**无法由提示词层满足**（需剪辑/重绘/清洗素材本身）→ 不可用 → 阻塞；第 6 条：音频单独输入 → **阻塞报告五要素**，不是旁注 | TS-34、TS-42 | 84 → 92、86 → 92 |
| r1→r2 | §1.7 新增第 19-21 项：自查声明逐项实测（声明与实况不符 = D9 档 2）；`retention_analysis` 零 `(Sx)`；summary 任务类型标记与输入对齐 | TS-16/37/38/43 等 | TS-16 94 → 98（(Sx) 清零）、TS-37 98 → 96（新抓到 CL 侧问题）、TS-43 96 → 97 |

---

## 八、硬约束自检清单（R0-R7，收工逐条勾选）

| 项 | 要求 | 结果 |
|---|---|---|
| **R0** | 官方原文一律读 cache_v5，禁复抓/复读飞书 | ✅ **零网络请求、零 lark-cli 调用、零 curl**。全轮只读 `cache_v5/` 落盘原文（经 python 逐行抽取，见 R4 审计脚本），未发起任何出网动作 |
| **R1** | curl 强制 `--retry 1 --max-time 40`，失败→WebFetch 一次→标「无法复检」 | ✅ 未触发（R0 零网络，无需降级路径） |
| **R2** | HTTP 200 按 `<title>`/关键词复核假 200 | ✅ 未触发 |
| **R3** | 飞书只走 lark-cli 且搜得到 ≠ 读得到 | ✅ 未触发（本轮未读飞书） |
| **R4** | SKILL_v5 官方引句必须能在 cache_v5 逐字回查，编造即打回 | ✅ **66 处 `docN:line` 引用逐条回查，0 失败**（`_v5_artifacts/tools/audit_skill_v5_quotes.py` + `audit_skill_v5_result.json`）。首轮 12 条报失败，逐一溯源均为**我审计脚本的预期子串写错/±1 行窗口**，修正预期后复跑归零；SKILL_v5 的行号引用无一需要改动（其中 doc2:455 经原文核实确含 `[Shot N] At MM:SS.mmm`） |
| **R5** | 不 cat `/home/node/.lark-cli/config.json` | ✅ 未触碰 |
| **R6** | v1-v4 产物与现役 SKILL.md 的 mtime/bytes 零改动 | ✅ 开工基线 `_v5_artifacts/tools/r6_baseline_evolve_v5.json`（**284 文件**，含 bytes+mtime+sha256 前 16 位）→ 收工复测 `r6_recheck_evolve_v5.json`：**unchanged 284 / changed 0 / missing 0**。新增 61 文件全部为 `SKILL_v5.md` 与 `round_outputs_v5/`（43+10+5 件交付物），无一落在既有文件上 |
| **R7** | 每轮分数留可复算算式，不写无依据整数 | ✅ 58 张记分卡每张带 `formula` 字段；§二 的轨均值 = 逐场景分数之和 ÷ n（n、Σ、均值三数都给出，可手工复加）；`_v5_artifacts/scoreboard.json` 为机器聚合的中间产物；H1/H6/H10 机械数用 python 实测（`mech_r1.json`），不采信交付物自报值 |

---

## 九、未解决局限（诚实区块，不阻塞交付）

1. **TS-35 区分度破线（实测 24 < 25）**：本轮未修（纪律：不调阈值）。已给修法建议（§六.1），
   需 Digest 下轮裁决。
2. **执行者与判分同体的残余**（§三 残余偏置 1/2）：SKILL 与 scoring_points 同源于同一份任务书解读；
   TS-14 的形态改判由我拍板。建议 Innovator 对 TS-14 的 98 分与 SKILL §0.2 第 3 条做人工抽查。
3. **严格口径下「零臆造」未达成**：3 处「外观归因未随单素材且未标注假设」（TS-16/37/43 各 D8 −1）。
   根因是 `<OSS>` 占位符不可读 + 素材职责已给但像素内容缺失，属测试集构造与真实生产共有的缺口。
4. **链路四层判分 0 真实先例**（#62 标 C 级）：本轮只有 2 个链路场景（TS-29/43），HP3 在无台词场景
   存在空转给分（TS-29 的 8 分 HP3 全部子项无适用对象仍得满），HP 35 分权重是否会掩盖 SD/SS 缺陷
   仍无足够样本回答 —— 需要更多链路场景才能裁决。
5. **量尺缺齿清单**（§六）：7 条已知失败样本中 6 条高分，反映判据只覆盖诱导路径、未覆盖正确路径
   的反向反查。本轮不改分数。
6. **评分员不是永远对的**：TS-40「交付记录层写 At 00.500 秒」的主张未能复现，已按未证实登记。
   独立评分仍有假阳性风险，58 张记分卡未逐张人工复核（本轮亲核 5 条 + 机器脚本全覆盖）。
7. **开放平台 schema 仍 blocked**（沿用 v3-v5）；`[audio reuse]` / `[reference generation]` 是否属
   doc2:371-378 六类型枚举，评分员因禁读 cache_v5 无法核验，本轮登记不扣分，需有权限者复核。
8. **本轮 session 用掉 2 轮迭代（上限 5）**即收敛，未触及迭代上限；剩余 −1/−2 级写作瑕疵
   （如 TS-14 的 D6 矛盾运镜声明、TS-37 的 `<Picture 2>` 无定义条目）留给下轮或线上真实调用反馈。