M6 待独立真人标注
DELIVERY SNAPSHOT
交付总览
数据直接读取本次交付报告，不包含在线执行或模拟成功状态。
Wilson 95%
full vs diff
低于 0.7 · 禁止门禁
30 条 golden 是 AI 整理的合成校准样本，不是独立真人标注。校准代码与报告已完成，但 M6 严格保持 partial。
M0 → M7
里程碑状态
与 docs/STATUS.md 同步读取。
CONTEXT ENGINEERING
三种上下文策略
同一 20 条任务，每种策略各跑 5 次，共 300 条轨迹。
预设 A/B · truncate vs state
—
McNemar exact
p value—
TRAJECTORY EVALUATION
20 条移动任务
每条均有 setup / teardown；区间为 Wilson 95%。故意失败任务用于验证分类器。
| 任务 | 成功 | 失败分类 |
|---|
JUDGE CALIBRATION
Judge 也不可信到能直接卡门禁
30-case 合成校准集；低 κ 与标签未复核分别关闭统计和运行门禁。
非零混淆项
具体误判反例
DEPTH REQUIREMENTS
D1–D7 实际交付
EVIDENCE
原始报告与文档
打开只读源文件，核对页面中的每个数字。