实验设计 v3 定稿

今天的核心工作是敲定第二轮 LoRA 微调实验的完整设计方案。基于上一轮实验暴露的评分体系缺陷，v3 做了以下关键调整：

• 前置过滤（Gate Conditions）：将 Truncation Ratio（std≈0，无区分力）和 Outcome Success（binary，不宜与连续变量混合）从评分维度改为入场门槛，仅允许完整且 resolved 的轨迹进入评分池。
• 四维连续评分：在 resolved 池内，按 Efficiency（Error-Retry Cycles + Step Count Ratio）和 Style（Action Diversity + Observation Utilization）两大维度、四个子维度评分。候选的 B1/C1 因方差过低（std < 0.05）被排除。
• 实验分组：共 13 组 + 1 baseline，分为 Block 1（数据量与策略对比）、Block 2（Efficiency vs Style 大维度消融）、Block 3（B2/B3/C2/C3 子维度消融），其中 3 组可复用旧实验，实际需新训练 11 组。
• 评测方案：在 Gold / Random / Low-Q 三个测试集上计算困惑度，验证 loss 梯度与评分排序的一致性。

下图展示了 v3 评分体系在 32,161 条 resolved 轨迹上的各维度分布情况。可以看到 B1（Redundant Commands）和 C1（Observation Cleanliness）集中度极高、几乎无区分力，因此被排除；而 B2（Error-Retry Cycles, std=0.286）区分力最强，是最有效的评分信号：

📄 完整实验设计文档：轨迹质量感知数据选择 — 实验设计 v3

---

数据集就绪

所有训练子集已在本地完成预处理，并上传至 Hugging Face（davongluck/swe-bench-trajectory-quality-subsets），共 8,000 条数据，涵盖 13 组实验所需的全部子集。

---

简历探索

另一件事是尝试改造简历。之前一直用 Overleaf + LaTeX 模板，感觉自由度不够，想找一种能针对不同岗位灵活调整的方案。试了一下 AI 辅助生成，但初次尝试效果不太理想 — 排版和审美上还达不到直接可用的水平。目前看来 LaTeX 仍然是更成熟的选择，只是需要花时间挑一个好看的模板。

---

明日计划

• 启动第二轮子集的 LoRA 微调训练（优先 Block 1 的核心对比组）。
• 训练完成后进行困惑度评测，对比各组在 Gold / Random / Low-Q 测试集上的表现。