ManSio · ManSio · Sep 27, 2026 · Sep 27, 2026 · Sep 27, 2026
diff --git a/AGENTS.md b/AGENTS.md
@@ -458,6 +458,7 @@ For file renames, use `apply_file_move(old, new)` instead of `notify_change` —
     - `python scripts/smoke_e2e.py --project <root>` — реальный embed (llama.cpp 8080), реальный rerank (BGE-M3 8081), реальный векторный поиск по реальному индексу (LanceDB) — БЕЗ моков.
     - Вывод должен содержать: `SMOKE E2E: PASSED`.
     - «Зелёный pytest ≠ работает»: для runtime-изменений ✅ в `[🏁 ИТОГ]` обязан содержать `live-check: <команда> → <вывод>`, а не только pytest.
+    - Вердикт, вычислимый кодом, — только кодом: LLM-судья запрещён там, где ответ детерминирован (попадание gold, исполнение SQL, пороги); LLM судит только смысл.
 11. All correct? → **TASK VERIFIED**
 12. Root чистый? (нет новых одноразовых скриптов/логов в корне — §0.6)
 
@@ -468,3 +469,10 @@ For file renames, use `apply_file_move(old, new)` instead of `notify_change` —
     - RU-файл обновляется В ТОМ ЖЕ коммите, что и EN (конгруэнтность по id/verdict/temperature — guard-тест в `tests/lab.test.ts`).
     - Проверка перед коммитом портфолио: `cd <portfolio-root> && pnpm test tests/lab.test.ts tests/evidence-eval.test.ts` — ловит рассинхрон EN/RU и коллизии с парафраз-сетами (новые слова в корпусе могут случайно поддержать парафразу — тогда переформулировать, не трогать тест).
     - Не выполнено → статус `⚠️ портфолио не синхронизировано` в `[🏁 ИТОГ]`, даже если тесты проекта зелёные.
+
+## 8. СТАБИЛЬНЫЕ ССЫЛКИ И РОТАЦИЯ ЛОГОВ (ADR-style)
+
+- Ссылка на факт — только `(файл, SHA коммита, ID записи)`: `EXPERIMENTS_LOG.md @ d74785d4`, никогда голый `:line`. Живые логи ротируются/архивируются — `:line` сгнивает при первой архивации (прецедент: архивация KNOWN_ISSUES 429→204 сдвинула каждую строку). Цитата с SHA резолвится через git-историю навсегда; без SHA — Recalled, не Verified.
+- Каждая НОВАЯ запись несёт стабильный ID: эксперименты `EXP-N`, дневник `YYYY-MM-DD-slug`, решения ADR-стиль `ADR-NNN` со статусом proposed/accepted/superseded (по Nygard 2011 + adr-tools: номера последовательные, не переиспользуются; отмена — только новой supersede-записью, никогда правкой/удалением истории).
+- Ротация (обобщает §4.8 R4 для KNOWN_ISSUES.md + `scripts/check_known_issues.py`): живой лог >300 строк ИЛИ ежемесячно → append-only перенос закрытых/superseded записей в `docs/archive/<NAME>_YYYY_MM.md`; открытые остаются; коммит ротации цитируется по SHA; история публичного репо не переписывается.
+- Правки опубликованных чисел — только новой записью со ссылкой на старый ID (supersede-цепочка), никаких тихих правок.
diff --git a/AGENT_DIARY.md b/AGENT_DIARY.md
@@ -691,3 +691,5 @@ chunk_index -(20_000_000+line), graph_score=0.4 (ниже функций 1.0). E
 **P-002 — измерение на пуле, уже прошедшем фильтр (survivorship bias).** Дважды за сессию эффект фильтра измерялся по выжившим и дал ложный вердикт: (1) проба `/v1/rerank` с пулом из `hybrid_search_async` → «фильтр режет 0», на деле резал 8 из 10; (2) sweep порогов по тем же 16 frozen-правилам → «0.02 даёт 8 hits», это перебор на оценочной выборке, владелец остановил. **Правило:** фильтр/порог меряется только на полном pre-rerank пуле и калибруется на holdout, отдельном от eval-набора. **Guard:** запрет внесён в EXPERIMENTS_LOG; тесты на фильтр строятся с positive+negative control (мусор отсекается, релевантный выживает).
 
 **P-003 — правка не в той ветке.** Сигмоида попала в ONNX-блок вместо `llama_cpp` (oldString оказался уникальным, но не тем), ветка ONNX осиротела, `if scores:` выехал из `try`. Поймано `ast.parse` + просмотром diff. **Правило:** после правки в много-ветвистом коде — `git diff` целиком, а не только «применилось».
+
+**P-004 — letter-vs-spirit instruction reading.** GPT-5.5 читает «never» буквально (jitter vs page_one_exit, Nishikanta 2026-09-27): perverse-compliant прочтение проходит фильтр, задуманный смысл — нет. Наш зеркальный кейс — qwen temporal-hint (E4b): БЕЗ хинта 'NOT FOUND AT HEAD' ни одна модель не робастна, т.е. правило работает только в дух-прочтении, буква его не несёт. **Guard:** тестировать граничные прочтения каждого правила (perverse-compliant кейс), а не только задуманное.
diff --git a/EXPERIMENTS_LOG.md b/EXPERIMENTS_LOG.md
@@ -2819,3 +2819,26 @@ R2@limit=30:          30→30 | reranker 30→1
 
 **Открыто:** P2 — целевой файл не входит в pre-rerank пул вовсе (проблема retrieval, не фильтра; top-хиты — собственные артефакты `experiments/**`). P3 — целевой chunk переживает reranker, но не проходит порог. Требуется отдельное решение владельца; подбирать порог по eval-набору нельзя.
 
+## [2026-09-27] — exp-54 (PLANNED — NOT RUN): CoT effect as function of task shape
+
+**Статус:** ⏳ PLANNED — НЕ ЗАПУЩЕН (дизайн зафиксирован, прогона нет, чисел нет).
+**Гипотеза:** CoT окупается на why-diagnosis (Grok 100→35 — мышление чинит диагноз), но ~ноль на fact-verification (наши VOR-плечи: CoT дал qwen3.6 recall 0.08→0.20 ценой ×30–65, у 3 из 4 моделей выигрыш нулевой) — эффект CoT = функция формы задачи, а не «модели стали умнее».
+**Дизайн:** те же модели × 2 формы (why-diagnosis vs fact-verification) × CoT on/off; замороженный набор (frozen, в репо); слепой судья (blind, единый reference по плечам); pos/neg контроли в каждом прогоне.
+**Ожидаемая форма вердикта:** интеракция shape×CoT (CoT≫0 на why, CoT≈0 на fact) либо REFUTED (CoT равномерен/нулевой везде) — цитируются только дельты с контролями, не абсолюты.
+**Связи:** ["exp-1","exp-18"].
+
+## [2026-09-27] — F5 D-arm no-abstention ablation (floor test)
+
+**Гипотеза (Tom):** D-плечо (closed book) даёт ~0 только потому, что инструкция разрешает abstention («I don't know»); без разрешения сдаваться reader priors покажут реальный уровень.
+**Метод:** те же 16 frozen queries × 3 trials = 48 reader-прогонов (reader `opencode-go/longcat-2.0`, инструкция из `experiments/4A_unit_of_return/frozen/f5/reader_D_ablation.txt`, sha256 `91b16b8b…`) + 48 judge-прогонов (judge `opencode-go/qwen3.7-plus`, без изменений, blind, единый reference). Дизайн: arm D only, populations code/prose.
+**Сырой результат:**
+```
+D overall: 2/48 = 4.2%
+code:  0/24 = 0%
+prose: 2/24 = 8.3% (F5S-10, F5S-13, по одному среднему trial)
+majority (≥2/3): 0/16
+invalid/uncertain: 0
+```
+**Вердикт:** reader priors существуют на уровне шума — механизм Tom подтверждён, масштаб нет (его 6/14 vs наши 2/48). Prose-плечо B 18.8% читается на фоне ~4% пола, отрыв сохраняется.
+**Артефакты:** `experiments/4A_unit_of_return/results/f5judged/judged_raw_D_ablation.json`, `experiments/4A_unit_of_return/results/f5judged/judged_aggregate_D_ablation.json`.
+
diff --git a/KNOWN_ISSUES.md b/KNOWN_ISSUES.md
@@ -8,6 +8,14 @@
 
 **21 entries** — compressed per §4.8 R3 (conclusion-first; dedup 2026-09-08, 2026-09-21). Closed entries moved to docs/archive/KNOWN_ISSUES_2026_09.md on 2026-09-27 (R1 size guard; second batch on merge experiment/4a-unit-of-return).
 
+## 2026-09-27 — F5 judge verdict parsing takes first regex match (Open)
+
+- **Локация:** `scripts/f5_judged_run.py:238-246` (`_parse_verdict`): сначала первый regex-матч `"verdict"\s*:\s*"?(correct|incorrect|uncertain)"?`, иначе первое вхождение в порядке (incorrect, correct, uncertain).
+- **Симптом / риск:** Haiku-style самокоррекция судьи («incorrect… actually correct, final answer: correct») оценивается по ПЕРВОМУ слову — вердикт инвертируется. Fallback-порядок (incorrect перед correct) корректен как подстрока-защита, но не как семантика: первое упоминание ≠ финальное решение. Ошибка тихая (verdict всегда парсится, `uncertain` по умолчанию недостижим при любом упоминании).
+- **Аудит (2026-09-27, выполнено при записи):** `experiments/4A_unit_of_return/results/f5judged/judged_raw.json` (sha256 `4be6d79d2012a5c5…`, 16 запросов × 4 плеча × 10 trials = 640 answers): ответов с ≥2 verdict-словами (correct/incorrect/uncertain, границы слов, case-insensitive) — **0**; с ≥1 — **0** (reader-ответы: «I don't know» / код, verdict-слов не содержат). Латентный риск на текущих данных не сработал, но сырого текста судьи в judged_raw.json НЕТ (только reader answers + распарсенные verdicts) — самокоррекцию судьи задним числом проверить нечем.
+- **Fix options (решение владельца):** (a) писать judge raw text в judged_raw.json + парсить explicit-final (последний матч / маркер «final verdict:»); (b) решить first/last/explicit-final как контракт парсера и зафиксировать тестом с самокоррекцией pos/neg; (c) минимум: warning-счётчик ответов с ≥2 verdict-строками в агрегатор.
+- **Статус:** 🔬 Open (корректность F5-чисел зависит от несуществующего контракта судьи).
+
 ## 2026-09-27 — Ранкер `bge-reranker-v2-m3` оценивает целевой файл ниже порога фильтра (Open)
 
 - **Симптом / контекст:** positive-контроли P2 и P3 (`experiments/token_reduction_v3_lancedb`) не находят целевой файл, positive controls 1/3. Стадия потерь локализована бисекцией — теряет только реранкер, MMR / `_boost_exact_name_matches` / `_dedupe_by_symbol` теряют 0:

diff --git a/README.md b/README.md
@@ -13,7 +13,7 @@
 [![MCP](https://img.shields.io/badge/MCP-compatible-green.svg)](https://modelcontextprotocol.io/)
 [![Zed](https://img.shields.io/badge/Zed-extension-orange.svg)](https://zed.dev/)
 [![CI](https://github.com/ManSio/mscodebase-intelligence/actions/workflows/ci.yml/badge.svg)](https://github.com/ManSio/mscodebase-intelligence/actions/workflows/ci.yml)
-[![Tests](https://img.shields.io/badge/tests-1889%20passed-brightgreen)](tests/)
+[![Tests](https://img.shields.io/badge/tests-1965%20passed-brightgreen)](tests/)
 
 [Features](#-features) • [Quick Start](#-quick-start) • [Tools](#mcp-tools-65-total) • [Documentation](#-documentation-map) • [Installation](docs/en/INSTALL.md) • [Architecture](docs/en/ARCHITECTURE.md) • [Contributing](CONTRIBUTING.md) • [Security](SECURITY.md)
 
@@ -213,6 +213,12 @@ Deep-dives into specific technical findings from building this project:
 - [I Asked One AI to Fact-Check Another AI's Audit of My Own Code](https://dev.to/mansio/i-asked-one-ai-to-fact-check-another-ais-audit-of-my-own-code-1ac3)
 - [The Silent Vector Contamination Bug: Why Your Concurrent Embeddings Might Be Lying to You](https://dev.to/mansio/the-silent-vector-contamination-bug-why-your-concurrent-embeddings-might-be-lying-to-you-5fg7)
 
+## Recent results (Sept 2026)
+
+- **F5 4-arm unit-of-return:** A 16.3% / B 34.4% / C 97.5% / D 0%; code 50% vs 6.3% → [writeup](docs/blog/unit-of-return-4arm.md)
+- **NodeRAG refuted** on the same bench: TF-IDF 80% vs graph BFS 70%
+- **D-ablation floor test** (no-abstention): ~4% (2/48), majority 0/16 — prose B margin survives
+
 ---
 
 ## 🔧 MCP Tools (65 total)
Original file line number	Diff line number	Diff line change
Expand Up		@@ -691,3 +691,5 @@ chunk_index -(20_000_000+line), graph_score=0.4 (ниже функций 1.0). E
		P-002 — измерение на пуле, уже прошедшем фильтр (survivorship bias). Дважды за сессию эффект фильтра измерялся по выжившим и дал ложный вердикт: (1) проба `/v1/rerank` с пулом из `hybrid_search_async` → «фильтр режет 0», на деле резал 8 из 10; (2) sweep порогов по тем же 16 frozen-правилам → «0.02 даёт 8 hits», это перебор на оценочной выборке, владелец остановил. Правило: фильтр/порог меряется только на полном pre-rerank пуле и калибруется на holdout, отдельном от eval-набора. Guard: запрет внесён в EXPERIMENTS_LOG; тесты на фильтр строятся с positive+negative control (мусор отсекается, релевантный выживает).

		P-003 — правка не в той ветке. Сигмоида попала в ONNX-блок вместо `llama_cpp` (oldString оказался уникальным, но не тем), ветка ONNX осиротела, `if scores:` выехал из `try`. Поймано `ast.parse` + просмотром diff. Правило: после правки в много-ветвистом коде — `git diff` целиком, а не только «применилось».

		P-004 — letter-vs-spirit instruction reading. GPT-5.5 читает «never» буквально (jitter vs page_one_exit, Nishikanta 2026-09-27): perverse-compliant прочтение проходит фильтр, задуманный смысл — нет. Наш зеркальный кейс — qwen temporal-hint (E4b): БЕЗ хинта 'NOT FOUND AT HEAD' ни одна модель не робастна, т.е. правило работает только в дух-прочтении, буква его не несёт. Guard: тестировать граничные прочтения каждого правила (perverse-compliant кейс), а не только задуманное.