2026-08-12 独立审计重构后，simpleEval 是三个独立工作流： ① 批量筛选（screen_videos.py，管线之前分拣不合格文件）→ ② 批次生成（make_batch.py， 唯一入口，换课程组合就换一个 run）→ ③ 评价管线（run_school.sh，10 个阶段， 支持 --from/--only/--list 阶段选择）。下面先给流程图，再逐环节讲逻辑 （为什么这么设计、判据从哪来）配参数（阈值、模型、并发、开关取值）。
本轮重构新增：P8.6 ASR转写归因核查（教师错误类指控推 人审+富证据卡，8校190门实测定稿）；P8.5a2 span级KFA前置核验（可核验才准写入打分 材料）；裁决队列统一为一份，并配了一个真正能操作的 图形化人审页面（span 核验卡拆分类/边界/引文三层子票）。
2026-08-14 两项拍板：① G-3 护栏拆除—— 十门 K=3 双臂 A/B 实测其防护效果已被 D6 prompt 无条件保护措辞兜住，材料自动护栏 归零，substance 链（P8.5a3 视频原声反哺）连带移除；② 教师言语筛查前移为 P6.8 前置合规闸——有确证发现的课在材料构建之前冻结分流人审，不进评分线， 该课全部条目被人裁"错"才放行。
粗色块=不受开关控制的必做环节；虚线块=默认关闭的诊断分支；菱形=分流判定； 红色柱=人工待裁决队列。同一门课两个课时各自独立走完整条链，互不拼接。
flowchart TD
classDef always fill:#dfeae7,stroke:#2f6f6a,color:#173c39,stroke-width:1.6px
classDef optional fill:#e6e8e2,stroke:#8b8f86,color:#4b544f,stroke-width:1px,stroke-dasharray:4 3
classDef gate fill:#f5e6cd,stroke:#b8792a,color:#5c3d13,stroke-width:1.6px
classDef queue fill:#f4dcd8,stroke:#a8433a,color:#5c2019,stroke-width:1.6px
classDef ext fill:#ffffff,stroke:#2f6f6a,color:#173c39,stroke-width:1px,stroke-dasharray:6 3
SCR["① screen_videos.py 批量筛选
ffprobe体检 · 时长≥1800s · 数字静音<10%
→ qualified.txt / disqualified.txt"]:::ext
MB["② make_batch.py 批次入口
全语料抽样 / 显式清单 / 筛选产出
→ runs/<run名>/batch.json"]:::ext
P1["P1 抽音频
batch_audio.py --jobs 4
16k/mono/48kbps mp3"]:::always
Q[("adjudications.jsonl
唯一队列，$W/ 根下")]:::queue
P2["P2 ASR+说话人分离
transcribe_diar.py --chunk 4
diarization_enabled=True"]:::always
P65{"P6.5 转写可靠性分流
逐字conf中位数 ≥ 0.75？"}:::gate
P66["P6.6 人工裁决回纳
verdict=错 → eligible=true"]:::always
SPX{"P6.8 教师言语筛查·前置合规闸（默认开）
speech_screen.py 红线/跑题/身份不符/性质不符
有确证发现？（附at_sec视频跳转）"}:::gate
P7["P7 课时级转写集合
build_period_asr
评价单元=pid（拍板终稿）"]:::always
P85A["P8.5a 两类span+三类时间段
segment_ratio.py qwen3.7-max · prompt v6
模型报区间·代码按时间戳算分钟"]:::optional
OVL{"P8.5a1 三类计算时长
合计 > 全课50%？
overload_route.py"}:::gate
KFS{"P8.5a2 span级KFA前置核验
能抽帧出核验卡吗？"}:::gate
P85B["P8.5p 材料唯一出口 prep_score_inputs
（自动护栏0条，G-3已拆，无条件必跑）
→ P8.5b annotate_spans 标注写回"]:::always
DEG["退化为有无标签
留 segment_ratio.json 供报表
不写入打分材料"]:::optional
CACHE["P8前置手续：拉openclaw缓存
→ invalidate（条目input_sha/prompt_sha纯比对
·缺材料条目自动摘除）→ rsync --delete 推材料"]:::always
P8["P8 codex 单轨直评
gpt-5.6-sol · K=3独立采样取均值
api_tracks 可插拔(默认全禁用不spawn)"]:::always
P86{"P8.6 ASR转写归因核查
reason/main_weakness 有教师错误类指控？"}:::gate
P87{"P8.7 K=3极差 > 10？
auto_kfa_spread.py"}:::gate
KFA["kfa_verify.py 抽帧核验
evidence_quotes 定位→核验卡"]:::always
DONE["eval_codex.json 定稿"]:::always
MAN["P8.8 终局台账 run_manifest.py
每课时 final_state：谁出分/谁被闸挡/谁在等人
每次跑完都刷新（含 --only 局部重跑）"]:::always
RV["图形化人审页面
review_server.py :8130
span三层子票+回纳按钮"]:::ext
SCR -->|"合格清单"| MB --> P1
P1 -->|"时长差>2s 仅记录"| Q
P1 --> P2 --> P65
P65 -->|"≥ 0.75"| SPX
P65 -->|"< 0.75 排除"| Q
Q --> P66 --> SPX
SPX -->|"有→冻结：不建材料不评分
eligible=false 入队（红线severity单独标记）
全部条目'错'或二次放行才恢复"| Q
SPX -->|"无发现 / 人裁放行"| P7
P7 --> P85A --> OVL
OVL -->|"≤50%"| KFS
OVL -->|">50% 拦截：不进材料不评分
eligible=false 入队等人工确认"| Q
KFS -->|"核验卡产出→入队"| Q
KFS -->|"可核验"| P85B
KFS -->|"核验不了"| DEG
DEG -->|"课时继续参评，仅该span不写标注"| P85B
P85B --> CACHE --> P8 --> P86
P86 -->|"有→富证据卡入队(口径A)"| Q
P86 --> P87
P87 -->|"是→抽帧"| KFA --> Q
P87 -->|"否"| DONE
KFA --> DONE
DONE --> MAN
Q -.->|"阻塞性待裁统计"| MAN
Q <-.->|"查看+裁决(写回)"| RV
2026-08-12 拍板：不合格检测（原 P0 健康体检 + 原 P1.5 数字静音）从单校管线挪出，
成为独立"分拣"工作流。三道判据全部沿用既有实证，不新定阈值。
产出 qualified.txt（直接喂批次生成）+ disqualified.txt（带原因）。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| ffprobe 体检 | 可读 + 有音轨 | 读不出/无音轨的文件无法评价 |
| --min-dur | 1800 秒 | 半堂课不评（build_session_manifest 统一口径） |
| --zero-threshold | 10.0% | 某秒采样全零=录制中断（zeroscan 生产定稿）；"近静音"音量判据已被1471门实测证伪，不做 |
| --jobs / --skip-zero-scan | 4 / 关 | 并发；跳过静音扫描可加速但漏录制中断类问题 |
三种来源产出同一种 batch.json：全语料抽样
（--from-sessions，教师注册表冻结、seed=42 可复现）、显式清单
（--from-list，每行一个路径；同课两课时用"组标签+TAB+路径"相邻行）、
筛选产出（qualified.txt 直接喂）。已存在的 batch.json 默认拒绝覆盖
（批次组成难以撤销），确认要换加 --force。
自动把 /data/files/ 映射成 /data/ro/ 只读路径（防误写原始数据的
内核级保险，batch_audio.py 强制断言）。
评价管线入口随之简化：bash run_school.sh <run名>，
支持 --from P7（从某阶段跑到尾）/ --only P2,P8.5（只跑指定阶段）/
--list（看阶段清单）；各阶段自声明所需环境变量，调试单阶段不用全量 export 密钥。
只读纪律：输入路径必须以 /data/ro/ 开头，脚本自己断言，不靠自觉——
原始区是 CIFS rw 挂载，历史上有写坏风险。瓶颈在 NAS 读带宽不在 CPU，
并发给 4 就够。断点续跑：目标文件已存在且 >10KB 就跳过。
抽完顺手核对时长：抽出音频与源视频时长差 >2 秒暗示解码可能丢了一段。 这条 2026-08-11 才接入人审队列——此前只打印 WARN 不拦截也不留痕。 不改变现有行为：文件仍照常产出、照常往下游走，只是多一条待裁决记录， 不会让这门课凭空从批次里消失（FAIL 才会让整体非零退出，是硬故障，不进这条"存疑"队列）。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| --jobs | 4 | 并发抽取；瓶颈在 NAS 带宽不在 CPU |
| ffmpeg 编码 | -ac 1 -ar 16000 -b:a 48k -f mp3 | 单声道 16kHz 48kbps，ASR 输入规格 |
| 断点判据 | size > 10240 字节 | 已存在且非空才跳过，避免半成品被误认已完成 |
| 时长差阈值 | > 2 秒 → WARN | WARN 入队仅记录；ffmpeg 非零退出或 ffprobe 读不出时长才是 FAIL（硬故障） |
| 写盘方式 | 先写 .part 再 os.replace | 防止中途失败留下半成品被当作已完成文件 |
本环节不做"提交前排除"——不合格文件（读不出/无音轨/过短/数字静音）由管线外的
筛选工作流在批次生成前分拣掉，manifest 里有什么就转什么。
--work 2026-08-12 起改为必填（原默认指向另一仓库部署路径，
裸调会静默读写别的工作目录）。
按 result.file_url 回映射 sid，绝不按下标——批量返回顺序 ≠ 提交顺序，
这是最容易踩的坑之一（脚本自带 --shuffle 用于主动验证这条不会串课，
归一化后 URL 冲突或同一 sid 被映射两次都会直接中止，不静默继续）。
热词按词读表，不是全表统一权重——weight=5 全表盲铺会把"五育/五通/五史"这类词
强插进正常语句，那是污染不是纠正。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| model | fun-asr | DashScope 异步转写 |
| --chunk | 4 | 每批提交的课时数 |
| diarization_enabled | True | 说话人分离——学生发言实质度/互动真实性的硬依赖 |
| disfluency_removal_enabled | False | 保留口语原貌，不做顺滑处理 |
| --hotwords | 共享路径 asr_hotwords_calibrated.json | 与 tjlg_xsx_2025 刻意共享，不拷贝进 simpleEval 自己目录（避免"哪份最新"漂移风险） |
| 热词 weight | 主体 5，≤3字短词降 4 | 逐词读表；短词过高权重易过度偏置 |
| 产出 | asr_raw/{pid}.json + diar.json | asr.json/ts.json/asr_ts/ 2026-08-14 审计停产——仓库内零消费者，声称的下游（class_span 等）是已移除分支；需要时从 asr_raw/ 重新派生 |
依据 docs/ASR置信度_可用性评估.md（606语料28门+2025录课40门人工金标验证）：
逐字置信度 AUC=0.954，零边际成本，14/14 重度课零漏检——但跨语料绝对阈值不成立：
606 标定的 0.9770 套到 2025 录课语料，40 门里错标 23 门，而人工共识是 0 门重度。
2026-08-11 用户拍板阈值 0.75：明显低于 606(0.977) 和 2025 录课(0.974)
两个语料的中位数，是相对保守/宽松的闸——只拦真正严重的转写崩坏，不重蹈"0.977 套到别的
语料错标 23 门"的覆辙，但仍是个固定阈值，没有针对本语料重新标定，
是用户已知情接受的简化。
prep_score_inputs.py 的 G-4 软带护栏，真机验证过真实案例
（某课整课 median=0.968 轻松过闸，但 480 秒起有 60 秒窗口 median 仅 0.236，
652 个词 confidence<0.4——局部塌陷是真实现象，不是假设）。
用户最终拍板：整套加入生产链路的复杂度收益比不够，只保留整课单一闸。
中间地带（过了硬闸但局部质量一般）不再有专门护栏，是明确接受的简化，不是遗漏。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| --threshold | 0.75 | 整课 conf_median 闸；< 阈值路由人审，不自动排除，等人工裁决 |
| 判据来源 | asr_raw/{pid}.json 逐字 confidence | 取全部带 confidence 字段的词，算中位数 |
| 数据缺失处理 | asr_raw 缺失/无 confidence → eligible=false | 与"达标/不达标"分开统计，不混为一谈 |
| --window-threshold 等 7 个参数 | 已删除 | 2026-08-12 局部塌陷检测整套拆除，见上方说明 |
2026-08-11 审计发现的真实缺口：此前人工在 adjudications.jsonl 里把某条
分流判断裁成"错"（AI 误判、这门课其实能用）之后，没有任何自动机制
把它重新纳入打分——会一直被排除，直到有人手工重跑对应的分流脚本。这个脚本补上这一环。
只有明确 verdict="错" 才回纳——"对"（AI 判断确实成立）和"拿不准"
都维持原排除状态，不是"没被否定就默认放行"。2026-08-12 起全流程只跑这一次：
原来还有一次更早的回纳（旧编号 P1.6），存在的唯一理由是赶在 P2 提交 ASR 前把
P1.5 数字静音的排除撤回去；P1.5 删除后这个理由不复存在，现在只剩这一次，位置在
P6.5 分流之后、P7 之前。zero_silence_route 处理分支 2026-08-14 已删
（其 producer 早已随数字静音判据移交 screen_videos 前置筛选，留着只是无源死键）。
| 参数/字段 | 取值 | 逻辑 |
|---|---|---|
| 回纳触发条件 | verdict == "错" | 严格相等；null/"对"/"拿不准" 都不触发 |
| 处理范围 | claim_ref ∈ {conf_route, nonteach_overload}：单条"错"即翻回；speech_*：该课全部条目均"错"才放行（另一套语义）；asr_blame*："错/拿不准"写 claim_overrides.json sidecar | 其余 claim_ref（audio_duration_mismatch、KFA span/quote）留痕不自动处理；span 类另有人裁终点升格消费 |
| 回写方式 | eligible=true + overridden_by_adjudication=true | 加字段不改原始判据——conf_median 等原始数据保留，只是不再据此排除 |
| 幂等性 | 已 eligible 的条目直接跳过 | 可安全重复调用 |
eval/data/claim_overrides.json sidecar，对外报告读它过滤被否决指控——
分数不变，成本为零（不重跑）。⚠️ 原先还往 eval_codex.json 写
blame_overridden 标记——审计发现该标记必被 P8 开头"从 openclaw 拉缓存"
覆盖，寿命只有几分钟，最终文件里从来不会有它（与 P8.5S 同形状的错位：打分产物的
裁决消费挂在了打分前的 P6.6），已删；报表一律读 sidecar。
彻底重评：需要真正干净的分数时，把人工核验的具体发现写进
P7 的 verified-caveats，让 invalidate_stale_cache
带动那门课重新打分——这才是真正抹掉冤枉扣分的做法，轻量级标记不解决"旧分数
本身仍隐含冤枉扣分"这个问题。两级都已在真实数据上验证过。
覆盖范围用户逐项拍板：红线（价值导向/立场， severity 单独标记）/ 跑题 / 身份不符言语（重点）/ 性质不符内容。处置口径当日两次演进：首版"P8.5S 只推人审不拦截"被 二次拍板取代——筛查前移到材料构建（P7）之前，有确证发现的课 冻结分流人审，不进评分线的任何后续环节（不建材料、不进 span 分析/KFA、不打分）。 放行铁律：该课全部 speech_ 条目非阻塞（人裁"错"，或 二次放行——2026-08-14 拍板：verdict="对"问题在案时，人可在人审页 显式裁定"准予回到评审队列"，/api/release 写 entry.release=true+必填理由，发现记录 不动）才翻回 eligible=true；"对"未放行/"拿不准"/未裁维持冻结。条目带时间点， 人审页面可一键跳转原视频对应时刻核听。概念/事实类指控（专名提法、概念混淆、史实数据） 不在本模块，走既有 P8.6 asr_blame 通道。
为什么独立模块（用户追问后拍板）：任务性质与 segment_ratio 的结构
标注不同，是内容风险筛查——任务混载实证有害（time_budget 混在 span 任务里时模型不做
算术）；筛查 prompt 的误报率需要独立调校/回滚，独立开关 ENABLE_SPEECH_SCREEN
+ 独立阶段可单跑可关停。产出 speech_screen_route.json 分流闸文件
（P7 --extra-route 消费）+ 写唯一人审队列。前置的代价：首轮跑在 segment_ratio 之前，
没有视频播放 span 可做播片段原声的确定性排除（纪录片里的批判性引述不能归教师）——
靠 prompt 排除规则（含人审判例）+ 人审视频跳转核听兜底，误报成本=一次人审；
重跑轮次已有 span 文件时确定性排除自动恢复。筛查出错（API 故障）的课不冻结
（fail-open）——冻结必须以确证发现为据；2026-08-18 修缮批起 error 不再算"已完成"：
失败课下轮自动重试，run 结束醒目汇总"筛查失败 N 门"（fail-open 参评必须可见，此前一次瞬时
429 会让课永久跳过合规筛查且无告警）。条目带 prompt_sha，换筛查 prompt 自动全量
重筛（与 P8 失效机制对称化）；模型独立配置 SPEECH_SCREEN_MODEL（此前误共用
SEGRATIO_MODEL，与"筛查可独立调校/回滚"的立项要求矛盾）。conf_route 排除课不筛查
（2026-08-14 审计补）：整课转写不可靠时判"红线/身份不符"既浪费调用、更可能凭乱码把课
钉进合规冻结轨——"引文逐字命中"闸恰恰是乱码 ASR 最容易伪造满足的一道；人裁"错"回纳
放行后下轮自然补筛。
| 参数 | 取值 | 说明 |
|---|---|---|
| ENABLE_SPEECH_SCREEN | 1（默认开） | 独立开关，0=整体关停本模块（连同前置闸一起关） |
| 模型 | qwen3.7-max K=1 | 与 segment_ratio 同模型，同一份带时间戳 diar 输入 |
| SPAN_KINDS_MIN_SEC | 跑题/性质不符 120s | 成段类时长闸；红线/身份不符为句级不设时长闸 |
| LOW_CONF | 0.85 | 引文句 conf 低于此值附"疑转写失真"提示 |
| claim_ref | speech_<kind>_<锚句号> | 重跑稳定，队列按 sid+claim_ref 去重 |
| 分流闸文件 | eval/data/speech_screen_route.json | {pid: {eligible, findings, kinds, pending_refs}}；P7 --extra-route 消费，segment_ratio/prep_score_inputs 亦读它跳过/清残留 |
build_period_asr.py 直接从 diar.json（课时级）产出
asr_scoreable.json，不经过 P3 的课时定序/拼接——
评价单元 = 视频文件（pid），不做任何形式的两课时合并——2026-08-14 用户拍板终稿口径（不再是临时取舍或开放问题）。
路由文件（conf_route + P6.8 的 speech_screen_route）取并集排除，任一判
eligible=false 就排除；2026-08-12 起不再传 zero_silence_route
（P1.5 已删，该文件不再产出）。substance.json 已于 2026-08-14 随 G-3 拆除停产
（它的唯一消费链就是 G-3；学生展示 20% 闸直接读 diar，不经它）。
prep_score_inputs.py（2026-08-14 起在 P8.5p 作为材料唯一出口调用
——此前 P7 也产一次、一条链写三次材料，P7 那次是纯被覆盖的中间态；现在
"材料只有一个产出点"，P7 只产 asr_scoreable.json）是"视觉/录制信号变成打分杠杆"的唯一可能入口，
铁律写死在文件头：只注入【防止无中生有扣分】的句子，绝不注入任何可被当作加分/减分
依据的描述；禁止注入念稿嫌疑、视频放映、课堂纪律、机位、PPT可读
——DEV 实证念稿提示会被模型当成 −15 分的打分杠杆；护栏总数 ≤5
（v2 的 8 条护栏在 DEV 上全面劣于 v1 的 5 条，规则稀释效应）。生成后自检材料头部
不得混入 BANNED 词表，命中即 sys.exit(2)。
| 护栏 | 触发条件 | 防止的错误 | 状态 |
|---|---|---|---|
| G-1 | 课型=网课/录播 | 现场无学生时因缺互动扣分 | 2026-08-12 拆除（结构性从未触发，课型判定已不产出） |
| G-2 | 学生入镜=无 | 画面证据不足时因"文本无学生发言"扣分 | 同上，2026-08-12 拆除 |
| G-3 | 曾为 diar 非主讲占比 ≤ 0.03 | 仅凭"转写里零学生发言"直接判缺乏互动 | 2026-08-14 拆除——十门 K=3 双臂 A/B 实测其两个防护效果（互动状态误判、评语"缺互动"扣分泄漏）已被 D6 prompt 无条件保护措辞兜住：分差全在噪声带（-2.7~+2.0）、互动状态 0 翻转、评语泄漏 0 处。substance.json/refine_substance 链连带停产 |
| G-4 | 曾为 worst_window_conf < 0.65 | 局部转写质量偏低的定位提示 | 2026-08-12 随局部塌陷检测一并拆除 |
自动护栏现为 0 条。G-3 拆而不失防护的机理：它防的错 （模型数出"零条学生发言"→判"缺乏真实互动"→扣分）在 D6 prompt 里有三处无条件 保护——interaction_status 字段说明"学生的声音有没有被话筒收录，不影响本字段"、 "不要因为听不到学生就判仅确认式假问"、取向第 3 条"缺互动不构成扣分理由，也不得写进短板"。 条件注入（占比≤3%才提示）能做到的，无条件措辞同样做到了，还少一层检测机器。 遗留一个方向性弱信号（"仅确认式假问"组均值 -1.5 vs "有真实往返"组 -0.2，n=10 不显著） 留待大样本批次复核，详见 docs/decisions/2026-08-14_G3拆除与合规前置.md。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| 护栏硬上限 | ≤ 5 条 | 已被 DEV 实证：规则越多不是越准，是稀释（当前实际 0 条） |
| BANNED 自检词表 | 念稿/念PPT/念书/视频放映/放映/课堂纪律/趴睡/玩手机/机位/PPT可读/切镜/水印 | 材料头部命中任一即判自检失败，退出码 2 |
--verified-caveats 指向 eval/data/verified_asr_caveats.json
（{pid: 提示句}），有则追加到防冤枉句块末尾。与已拆除的 G-3/G-4 的关键区别：
那些是算法自动检测触发；这条必须逐条人工核验后手写，
不是自动机制，文件不存在就静默跳过。这是已拆除的 G-4（自动检测局部转写质量存疑，
因"猜测性、测不准"被拆）的替代路径——不自动猜哪里可能转错，只在
P8.6 队列的某条指控被人工确认"确是ASR责任"之后，把核验到的
具体发现（涉及术语/大致时间点）转达给下一轮评分，防止模型读到同一段烂转写
再次得出同样的错误结论。真机效果（b_tjpu10 两门课）：写入提示后重评，
"概念混淆"指控在新三轮评语里完全没有复发，分数 +7.3/+4.7 分，
P8.6 复检该批全部 10 门"检出 0 门"。⚠️ 措辞每次变化都会改写入课时的材料哈希，
触发 invalidate_stale_cache 重评，是预期行为但有真实 API 成本。
教师顺口一句"上节课我们讲了 X"是教学衔接，讲了 20 分钟才是复习课——两者不可仅凭
"有无"区分，必须算时长。参评池 = asr_scoreable.json 键集（2026-08-14
审计修复——此前池是 diar 全集，被 conf 闸排除的课照样花 qwen 全文调用做 span 分析，
产出还级联到 KFA 抽帧与人审队列，而那些课永远进不了材料；现在直接吃 P7 算好的
conf∪speech 并集结论，auto_kfa_spans 同款）。做法：整份 diar 转写（带
speaker_id/时间戳/文本）喂给模型，
不抽样，让模型只标语义边界（from/to 句号），
时长由确定性代码算，不让模型自己算。
三道防线，都不靠模型自觉：① 区间号必须合法（在范围内、 from≤to），越界丢弃；② 证据原句必须能在该区间内逐字比对找到，找不到丢弃并计入 fabricated；③ 最短区间闸——连续 <3 句或 <60 秒的区间一律丢弃，防"顺口一句" 被标成环节。
2026-08-14 五类→两类（用户拍板）：复习/行政事务/课堂测试不再单独识别
——三类都是教师本人在讲、转写忠实，评分模型读全文自己看得懂，不存在需要修正的信息
不对称；实证收益率也极低（复习全库 104 个 span 仅 1 过闸、行政 49 个仅 1 过闸，
b_tjpu10 三类检出 14 个全部被丢弃——整套识别机器基本在生产待丢弃噪声+人审负担）。
三类只保留时间段报告（2026-08-14 二次拍板撤出评分 prompt 移到本环节——
本环节通读的正是带时间戳+说话人的完整 diar；2026-08-18 prompt v6 再收紧：
模型连分钟数也不报了，只报句号区间 time_budget_spans，
分钟数由代码按时间戳算（同类多段合并去重叠），无合法区间按 0 处理——
宁漏勿冤。收紧动机：v5 模型自报分钟数在 10 门实测里给的是 1,1,1,1,1,1,1,1,2,0，
像敷衍填空不像估算，而这个零证据数字是唯一能拦评分的闸的全部输入；v6 起它与 span
同款可校验，模型原报区间落盘供人审溯源。合成正例的老教训仍然成立：让模型直接下"过半"
结论，62% 复习被判"无"（模型不做算术）。判过半 → overload_route.py
(P8.5a1) 写 eligible=false + 推人审队列（claim_ref=nonteach_overload），
暂不推进后续环节（不生成打分材料、不抽帧、不评分），人裁"错"经
回纳恢复参评——与 conf_route 同形状的 路由→人审→回纳。
留下的两类恰是转写会误导评分的：视频播放（原声冒充教师）、学生展示
（学生话不该按教师讲授评价）。学生展示仍用 diar
非主讲占比闸而非视觉判断——分享的学生可能不入镜，"用视觉核验证明学生展示是错的"这个
方法论本身在最早试点就踩过坑。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| --model | qwen3.7-max | plus 单遍召回仅 51%（整段漏看），max 100% 且 11/12 完全可复现，K=1 即可不必 K=3 |
| --workers | 3 | DashScope 并发>3 必 429 |
| MIN_SENT / MIN_SEC | 3 句 / 60 秒 | 最短区间闸 |
| STUDENT_NONMAIN_MIN_RATIO | 0.20 | 学生展示 diar 非主讲占比闸；0%~37% 间有清晰断层，取 20% 分界；2026-08-13 起先剔除与已识别视频播放span重叠的非主讲时长再过闸（见下方P8.5a3） |
| CUE_KINDS | {视频播放} | v5 起 announce 闸放宽（2026-08-14 拍板）：有宣布原话照抄=最强证据；无宣布也可标但须 ≥2 条独立线索写进 no_announce_evidence 自证（v4 时代 386 秒"教师念马克思原文"误标教训转化为 prompt 排除项）；编造零容忍——宣布语对不上全文整段作废，留空不丢分。无宣布段标 announce_verified=false，KFA 卡带警示供人审重点核对。放宽动机：宣布语召回仅 33%，约 2/3 真实播放段此前根本进不了 spans |
| SHELVED | {视频播放} | 时长口径（"暂缓"概念 2026-08-14 退役，如实新口径）：人裁终点优先；无人裁不计入自动占比——nonteach_ratio 不含它，升格走 nonteach_ratio_with_video 另出一个数。video_announced 布尔仍只认有已验证宣布语的段 |
| max_tokens | 8000 | 防模型间歇性冗长丢样本，不算"修复"，真正对症的是 K=3 取中位（此处 K=1） |
auto_kfa_spans.py → kfa_verify.py
抽帧（起点+2s / 中点 / 终点-5s / 终点+5s，2026-08-13 从3帧改4帧）
+ 回查前文语境 + 引导语线索，产出核验卡入人审队列。KFA可核验是写入打分
材料的前置条件——核验不了（视频缺失/时间戳缺失）的 span 退化为"有无"标签
留在 segment_ratio.json 供报表，不进打分材料（用户拍板，符合防打分杠杆铁律）。
末帧改成终点前后各一帧：原来单独一帧取在终点-2s，正好卡在最难
判断的边界上、信息量最低（首批人审实证：末帧看不出视频结没结束）；end±5s
对比着看，若 end+5s 仍是片内画面=边界切早了，已是教室画面=边界对。核验卡新增
frame_tags 字段标出每帧含义。成本：只对过闸span抽帧，历史数据里
过闸span极少，多数课零开销。
end_pick（真实终点夹在哪
两帧之间，精度15秒）。升格口径（2026-08-14 拍板）：视频播放
时长默认不计入自动占比（旧称"暂缓类"，概念 2026-08-14 退役；宣布语召回33%、模型终点不可靠），但人裁终点是人确认过的
事实——"回纳生效"时写回 segment_ratio.json（sec_human +
nonteach_ratio_with_video + 重写显示 label，原始 sec/nonteach_ratio
留痕不动）。两条升格路径，闸都是分类子票=对：A 显式点选
（end_pick 双边界，时长=两帧中点−起点，终点被纠正）；B 背书
（边界子票=对且未点帧带——人对照 end±5s+帧带确认模型终点没切错，时长直接用
被背书的模型值；首轮回收实测 3 条 span 属此类，不升格等于白审，2026-08-14 补）。
两者都有时 A 优先；单边界（早于帧带首帧/帧带外仍在播放）不升格，扩窗重抽后
再裁。占比统计升格之外，路径A的人裁终点还回收进材料标注（annotate_spans 把
结束标记移到人裁终点所在句，2026-08-14 二审）。首轮真实回收：4 span 全升格——
T10-P0 端点纠正 466→503s/占比18.6%（人裁 774s 与 conf 建议 795s 及当时的
conf 降级信号三方向互证：声称终点报早约38秒），T16-P0 背书 378s/14.1%、
T16-P1 背书 250s/9.2%。⚠️ 重析防护（2026-08-14）：--sids 强制重析后 span
内容可能整个换掉——apply 套用升格/分类否决前先比对核验卡引文与当前 span，
对不上即拒绝按下标盲套（WARN 须重新人审）；引文相同的人裁字段由
carry_human_fields 按内容身份自动移植保留。实战：T16-P0 v5 重析后三条陈旧
裁决被闸精准拦截，T16-P1 移植成功零人工成本。
refine_substance.py 原本把 KFA 确认的视频播放句从说话人占比里剔除
重算，专为修正"视频原声灌高非主讲占比→G-3 被跳过"（实测 T16-P0 18.2% 全是央视
原声）。G-3 拆除后该链条失去唯一消费者，整体删除。学生展示 20% 闸不受
影响——它的视频区间重叠剔除在 segment_ratio.py 内完成（nonmain_sec
剔除后重过闸，防纪录片解说冒充学生发言），从来不经 substance。
annotate_spans.py --kfa-verdicts（2026-08-14 从 build_abc_variants.py 收敛更名——A/B/C 消融机器随五类→两类后 B==C 已无区分度，整体拆除）用同款证据闸+KFA核验闸，
只标两类（学生展示/视频播放），直接覆盖 score_inputs/{pid}.txt——必须在
prep_score_inputs.py 之后跑，顺序颠倒会导致标注被下一次未标注输出覆盖。
证据闸阈值在 annotate_spans.py 与 auto_kfa_spans.py 两处必须同步改（闸判据漂移会被
运行时 WARN 抓出来）。
codex 主轨不受 api_tracks.json 控制，是 run_school.sh 里
写死必跑的部分（经 openclaw，CLI 而非 API Key）。其余模型（qwen/deepseek/…）走声明式
api_tracks.json——加一个新模型只需要加一条配置，不用碰任何 .py 代码；
当前配置里 qwen（qwen3.7-max）与 deepseek（DashScope 托管 deepseek-v4-flash，
与 qwen 用同一个 EVAL_API_KEY，不用另办 key）两条轨都已配好、默认 enabled:false
——要开第二/第三评价轨，把对应 enabled 改 true 即可，零代码改动。铁律不变：跨模型
只比秩不融合，codex 主轨出档，其余轨只作对照/备份。2026-08-12 起无启用轨时不再
空 spawn 后台进程；同日修掉 run_api_tracks.py 遍历中删元素跳轨的 bug。
K 次采样必须是相互独立的会话（每次新 exec，不 resume），否则自一致
采样失去意义。两轨读的是同一份 score_inputs/，
跨模型绝对分不可比、只比秩——不做平均、不做融合（既有实证：Fusion 不胜 panel 均值）。
invalidate_stale_cache.py 摘掉失效条目再推回去。
2026-08-14 改造：失效判据从"侧车哈希文件"改为 eval 条目自带
input_sha/prompt_sha（打分脚本写回时一并写入）——侧车是会与分数脱节的第二状态源
（实测：字节相同材料的合法分数被误判失效，白花 24 次调用），且不随 rsync 走、换机即全批
作废。现在分数与"打这分用的材料+prompt"永远同一份状态；材料文件被上游闸清掉的课时条目也
在这一步自动摘除；存量无哈希条目 grandfather 保留。API 轨同步补上了 prompt 变更失效
（此前 run_api_tracks 没传 prompt 文件，prompt 变了 API 轨不失效）。
2026-08-18 M5 补全：prompt_sha 配方纳入 EXTRA + model + effort
——EXTRA 十行评分纪律改了会真的改变评分行为，此前却不失效任何缓存；换模型/档位同理。
条目记 model/effort 留痕；调用方（run_school / run_api_tracks）必传
--model/--effort，缺了会退化为旧配方比对 → 每轮把全批判失效（持续重评而非一次性）。
上线当天全批失效一次是预期成本，趁 b_tjpu10 小批做掉（6 门 18 次）。
| 轨道 | 模型 | K | 并发 | prompt | 字段差异 |
|---|---|---|---|---|---|
| codex（主轨，必做） | gpt-5.6-sol | 3 | jobs=4 | zhiping_system_D6.txt + schema_D6.json | 含 main_weakness（诊断用短板归因）。三类过半判断曾短暂放此处（nonteach_overload 字段），2026-08-14 当天二次拍板撤回——评分材料无时间戳按篇幅估有盲区、评分 prompt 须单一职责；判定移至 P8.5a（有时间戳的环节），prompt 已 git 精确恢复原版 |
| qwen（可插拔，当前禁用） | qwen3.7-max | 3 | workers=3 | zhiping_system_D6_qwen.txt | 无 main_weakness——v4 6选项含"无明显短板"逃逸项，qwen 用了25%次数解释71%分数方差；v5 5选项强制后 97%课程坍缩单一标签"平铺罗列"，两版均验证失败，故拿掉 |
| 参数 | 取值 | 逻辑 |
|---|---|---|
| --effort（codex） | medium | codex reasoning effort；三档已验证过一致性 |
| --sandbox（codex） | read-only | codex 执行环境只读，不允许改动 |
| timeout（codex） | 900 秒 | 单次调用超时 |
| enable_thinking（qwen） | false | 关闭思考链，控制成本与延迟 |
| X-DashScope-DataInspection（qwen） | {"input":"disable","output":"disable"} | 思政 ASR 内容会触发绿网审核 400 data_inspection_failed，须显式关闭 |
| SPREAD_WARN | 10（2026-08-13 从16下调） | 200门实测分布 p50=5/p90=10/p95=11/max=17；>10 触发率 7%，正常噪声期望极差≈5.6，超10已出p90，值得便宜的KFA核验兜底 |
| EXTRA 固定任务说明 | 见下 | 不分护栏配额，两轨 prompt 都注入的强制要求 |
EXTRA 固定四条（拼在 prompt 末尾，两轨都有，不占用 ≤5 护栏配额）： 必须用满 0–100 量程、敢打低分，不因是正式录课默认高分；确认式假问（是不是/对不对/好不好/ 明白吗）不算互动，不得据此加分；ASR 音近误转（同音错别字）音对即正确，不得因转写 错字扣分——这正是 ASR 转写失误防偏失设计的第二层；独立判断，不参考任何其他课程或 模型的分数。
asr_blame_<指控文本sha256前8>——旧口径下重评后模型提出内容
不同的新指控会被旧条目挡住不入队（实测发生过），现在新指控重新入队、旧裁决只盖
旧指控；存量旧式条目按其 ai_said 算等价指纹兼容去重，模型重提相同指控不重复入队。
要解决的问题：ASR 偶有转写不准，模型据此指控教师"概念错误/说错/史实错误"并压分——
但那可能是 ASR 转错了字，不是教师说错了话。codex CLI 拿不到思考过程，
reason/main_weakness/evidence_quotes 就是可观察的
"思考痕迹"，本环节扫描它们。
富证据卡：定位/conf 不做闸、只做证据附件。入队条目自动带：指控句原文、 K=3 中出现次数（一致性信号）、指控短语定位@时间戳 + 转写上下文 + conf（能定位的部分）。 真机样例：「土地收归国有」@4:33 conf=0.978 + 前后25字上下文——人对照几秒即知 是教师真说了还是 ASR 转错。已知残余误报：正则分不出"围绕'国进民退'误读组织学生辨析" 这种表扬句（语义级反转），触发率低，人工看一眼即排除，不值得上 LLM 判别层。
| 参数/机制 | 取值 | 逻辑 |
|---|---|---|
| 指控模式 | 13 组正则（口误/说错/概念错误/史实错误/术语误用…） | 改动前须在存量数据重跑触发率，不凭感觉增删 |
| 否定前置守卫 | 无/没有/未见/避免… 前缀4字内 | "无知识性错误"是表扬不是指控 |
| 短语抽取 | 指控句内引号文本（2-40字） | 定位用全短语精确匹配，不做模糊——模糊会稀释"定位到了"的可信度 |
| 入队粒度 | 一条指控一条（claim_ref=asr_blame_<指控文本sha256前8>，2026-08-14 指纹化） | 多条指控合并；按 sid+claim_ref 判重可重复跑 |
| 新增LLM调用 | 0 | 纯确定性检测+定位，零边际成本 |
背景：codex_score.py（P8）K=3 极差超阈值此前只打印一行 WARN，KFA
（kfa_verify.py --claim-source eval_out）本来就是为核验"模型自己都判不准"
的课设计的，但两者从没接过线。2026-08-11 用户拍板补上这条闭环。命中数少时（多数课
K=3 都很稳）开销接近零，只在真有分歧的课时才会真的去抽帧。
kfa_verify.py 对每条 evidence_quotes 都尝试
定位，全部定位不到时会正常退出（returncode==0）但产出 0 张核验卡——从外部看跟
"这门课根本没被标记、不需要核验"没有任何区别。脚本显式区分三种结局并大声报出来：
真核验到（有卡产出）／触发但核验空（0 张卡，evidence_quotes
全部定位不到，需要人工另想办法核实）／执行失败（非零 exit）。
核验机制：quote_match.locate_quote() 把 D6 直评给出的 evidence_quotes
定位到 diar 句子（引文没有显式时间戳，要先找到最可能出自哪一句作为锚点），再抽帧、
回查上下文。诚实边界：evidence_quotes 是模型给"这次整体判断"的举证，不是给
main_weakness/interaction_status 各自单独标注的证据——核验卡里如实写这个限制，
不假装有精确对应关系。
| 参数 | 取值 | 逻辑 |
|---|---|---|
| --spread-threshold | 10（2026-08-13 用户拍板下调） | 与 codex_score.py 的 SPREAD_WARN 保持一致；实测依据见该表 |
| --run-idx | 0（K=3 第 0 轮） | 核验目的是"证据是否存在"，不需要每轮都核 |
| 覆盖范围 | 只读 eval_codex.json | qwen 轨不在覆盖范围内（已知限制，见文末） |
| 帧位 | 4 帧硬编码（起点+2s / 中点 / 终点-5s / 终点+5s，2026-08-13从3帧改；--frames-per-span 参数已失效不再读取） | <6 秒的区间只抽 1 帧；终点前后各一帧便于对比边界切没切准 |
| --context-sents | 默认 5 | 画面信息不足时向前回查几句 diar 原文找文本佐证 |
审计发现的唯一业务级缺口：管线跑完后没有任何文件回答"谁出了分、 谁被哪道闸挡了、谁在等人"——b_tjpu10 批次 10 课时只有 8 门进 eval_codex.json，被 合规闸冻结的 2 门从结果里彻底消失，要知道去向得同时读两个文件。1000 门规模下静默丢 20% 而交付方不知道，是交付事故不是 bug。
每课时一行 final_state：
scored / excluded_conf / frozen_speech / blocked_overload / pending_human /
asr_failed / unknown（unknown 出现即打 WARN——那本身就是管线账目不平的信号）。
随行字段：命中的闸及依据摘要、队列统计（open/resolved，阻塞性待裁单列
——只有 conf/speech/overload 类未裁才算阻塞，span/quote/blame 未裁不算）、K=3 分数与
极差、K 轮主短板众数、占比账本挂载（此前 nonteach_ratio 系列全库零消费者，manifest
是唯一出口）、speech 筛查失败警示（fail-open 参评的课必须可见）。它同时是
claim_overrides.json 的第一个真实消费者：被人审否决的指控
在台账主短板栏标"⚠指控被否"，此前 3 条真实裁决躺在 sidecar 里没有任何代码读过。
它还取代了 run_school 收尾那句 grep 待裁告警（旧口径把非阻塞条目和 superseded 僵尸
都算进"待裁"，虚高）。
2026-08-12 起全流程只有一份队列（$W/adjudications.jsonl， 此前分裂在 $W/ 和 $W/eval/ 两处要看两个文件）。七个生产者把"存疑但机器不敢下结论"的 判断入队；设计原则：机器判不了的（同音误转真伪、span内容属实性）不上更多AI层， 给人富证据卡几秒裁决。
flowchart LR
A1["P1 batch_audio
claim_ref=audio_duration_mismatch"] --> Q
A3["P6.5 conf_route
claim_ref=conf_route"] --> Q
A8["P6.8 speech_screen 前置合规闸
claim_ref=speech_*（言语筛查·冻结待裁·附at_sec）"] --> Q
A7["P8.5a1 overload_route
claim_ref=nonteach_overload（三类过半拦截）"] --> Q
A5["P8.5a2 auto_kfa_spans
claim_ref=spanN_指纹（核验卡+三层子票
·重析后新内容可重新入队）"] --> Q
A6["P8.6 asr_blame_check
claim_ref=asr_blame_<sha8>（富证据卡·指纹粒度）"] --> Q
A4["P8.7 auto_kfa_spread
claim_ref=quoteN_指纹（核验卡，2026-08-18起）"] --> Q
Q[("$W/adjudications.jsonl
{sid,claim_ref,target,ai_said,
evidence_summary,verdict,why,
sub_verdicts?}")]:::q
Q --> H["人工：图形化人审页面 :8130
或命令行 adjudicate.py"]
H -->|"conf_route / nonteach_overload:
verdict=错"| OV["apply_adjudication_overrides.py
P6.6 自动回纳"]
H -->|"speech_*: 该课全部条目
都是'错'才放行"| OV
OV -->|"eligible=true
overridden_by_adjudication=true"| R1["conf_route.json /
overload_route.json /
speech_screen_route.json"]
H -->|"asr_blame: verdict=错/拿不准"| BO["同脚本·写 sidecar
claim_overrides.json"]
BO -->|"对外报告过滤"| R2["claim_overrides.json
（不写 eval_codex，2026-08-14 修）"]
H -->|"asr_blame裁决后如需彻底重评"| VC["人工手写
verified_asr_caveats.json"]
VC -->|"P7重新注入+invalidate重评"| R3["eval_codex.json
干净的新分数"]
H -->|"其余(span/quote核验卡)"| N["留痕供人处理
（改进闸值等由人决定，不自动化）"]
classDef q fill:#f4dcd8,stroke:#a8433a,color:#5c2019,stroke-width:1.6px
superseded——已裁的裁决历史保留但不再生效，未裁的从 pending 消失；
③ conf_route 条目记 conf_median + asr_fp（转写文件指纹）——重转 ASR 后
旧"错"裁决自动过期重开，不再永久钉死放行；④ (sid, claim_ref) 不再唯一，
全部消费方（回纳/人审页/adjudicate/各阶段自查/终局台账）统一取未过期那条
（queue_lib.live_entries）。人审页默认隐藏过期条目（勾选"显示已过期"可见，⌛标记禁投票），
并且每张卡写明本票后果（M4：恢复参评 / 撤销标注不影响参评 / 仅留档），
消除"对/错"两个字在不同队列类型下四套语义的误解。首轮生产回归：8 条僵尸正确回收
（4 条旧式无指纹 + 3 条 v5 指纹随 v6 重析再变 + 1 条过期指控），已裁 9 条原样保留。
纯 stdlib 写的 HTTP 服务（opencode 上没装 flask），单文件起服务，浏览器直接打开
http://<opencode>:8130/。按 run 切换队列，待裁决/已裁决/全部三态
筛选；span/quote 类条目自动读 kfa_card_path 拼出完整证据卡（含图片
/media?path= 代理 URL，路径强制校验落在 runs-dir 下防穿越）；其余类型
直接显示 ai_said/evidence_summary 文本。课程编号旁标注
源视频文件名（从 batch.json 反查）。裁决写回同一份
adjudications.jsonl，跟命令行 adjudicate.py 走同一套字段，
两种方式可以混用。"回纳生效"按钮直接调用 apply_adjudication_overrides.py，
不用再单独 ssh 敲命令。
sub_verdicts 随裁决一起持久化进队列条目。总 verdict 推导规则
2026-08-14 二审拍板修订：只由"分类"决定——旧规则"任一错→错"会让
引文失真把总票拖成错（T16-P0/span0 实案：分类对/边界对/引文错却存成顶层"错"），
恰恰违背拆三层票的初衷；且总票/引文子票本无自动化消费者（终点升格只读分类+边界），
顶层"错"纯粹误导人工回看与未来报表。边界/引文判断完整保留在 sub_verdicts。
边界信息回收（同批拍板）：分类子票="错" → P6.6 写
human_kind_rejected → annotate_spans 撤销该 span 的材料标注；路径A人裁终点 →
annotate_spans 把结束标记移到人裁终点所在句——人工提交的每一层信息都有消费者。
end_pick 随三层子票一起写回队列。视频跳转核听
（2026-08-14）：带 at_sec 的条目（教师言语筛查、asr_blame 归因卡——后者 2026-08-14 首轮人审"信息量不够，应提供原始视频"反馈后补上，取首个概念定位时刻，全未定位兜底 0:00）渲染
"▶ 跳到原视频 mm:ss 核听"按钮，点击惰性创建播放器并定位到时间点前 5 秒起播；
红线条目红底白字单独标记；"回纳生效"时人裁终点
升格计入占比（见 P8.5 节升格口径）。顺带修掉一个真 bug：帧文件名带
+（end+5s/strip+15s）在 query 里被解码成空格致 /media 403，
frame_urls 改为 quote() 编码。
| 接口 | 作用 | 安全边界 |
|---|---|---|
| GET /api/runs | 扫描 runs-dir 下所有批次的待裁决/总数 | — |
| GET /api/queue | 某批次队列，自动附KFA卡片+视频文件名 | — |
| GET /media | 图片流式代理 | path 必须落在 runs-dir 下，否则 403 |
| GET /video | 原视频流式播放（HTTP Range，拖动/定点起播） | 路径由服务端按 batch.json 解析 pid，不接受客户端原始路径 |
| POST /api/verdict | 写回裁决（含可选 sub_verdicts / end_pick） | 写锁串行化防并发覆盖；run 名校验防路径穿越 |
| POST /api/apply-overrides | 触发回纳脚本（eligible翻转+blame标记+人裁终点升格） | — |
运维提醒：重启服务不要在 ssh 内联命令里直接 pkill -f review_server.py——
该模式字符串会出现在 ssh 会话自身的 cmdline 里（含日志重定向路径），连自己一起
杀掉、静默失败。项目里固化成独立的 restart_review.sh 脚本规避。
没有身份校验（内网工具，与项目其他内部看板同一惯例）。