切换外观
判断评测：混合语料上的第二次自由运行，含家庭流（2026-10-15）
状态：一次性评测记录。结论只覆盖本次设置——加入家庭流的混合语料、一个模型、一次运行、自由运行；不是 Skill 的验收标准，也不改变信息契约。与第一次自由运行的差别同时来自语料、用户背景与模型的随机性，不能归到其中某一项。家庭流的对照依据是作者写定的标注，检验一致，不检验真实。
第一次自由运行之后，混合语料追加了作者编写的家庭流：Jonas 的伴侣、孩子、母亲、妹妹、朋友、邻居与家务通知，388 条瑞典语消息。同一份 skill/SKILL.md、同一个模型从空状态再跑两周，看家里的事进来以后注意力怎样重新分配，以及 Agent 对家里六条线的判断与作者写定的判断差多少。
结论
家里的事被看懂了，问题也跟得准；代价是工作与生活问答被挤到根层边上。
- 操作层面同样稳定。 28 帧全部提交成功；3 帧首次被拒（标题超过 24 字 2 次、摘要超过 60 字 1 次），看到回执后都在下一次改对。31 次调用，23.23 美元。
- 家里六条线的结构几乎都对。 猫、母亲住处、派对、车道漏水各成一件；母亲的 BankID 并入住处，托邻居喂猫并入猫，家里对航班的追问并进生活流里改经停的提问。派对在伴侣代答的那一帧撤下，母亲自己交回执的那一帧改成“已交回执，选疏散公寓”。作者登记的 19 个问题，跨帧了结的 8 个里 7 个在了结帧当帧撤下或改判；窗口结束时仍开着的 7 个里 6 个仍在状态里。
- 份额普遍高一档，丢弃偏少。 方向与作者一致：按作者档成对排序一致 0.743（平局记半 0.827），作者档 high 的事项帧平均 17.7 份、normal 8.4、low 2.2。但母亲住处有 12 帧占 24 份（作者是 high，不是最高档），骑车在最后一天被抬到 12 份，Ture 发烧那一帧反而只给 1 份。作者判为应忽略的 185 条家庭输入只有 50 条判为噪音或重复；两条诈骗短信都认出是钓鱼，却各留了一条提醒，班级群的头虱提醒与垃圾改期也成了事项。
- 工作与生活被挤压。 根层 64 份平均 37.7 份来自家庭流；工作从 48.9 降到 20.3，生活从 13.1 降到 2.6。8 月 11 日下午到 13 日（f18–f22）家庭占 51–57 份，工作只剩 6–11 份。前四条流里本人后来有行动的工作事项帧，纳入从 110 降到 79，拿到 6 份以上的从 49 降到 29。
- 也有改进。 master CI 不再整段占 12 份（弱标注为 noise 的事项帧里拿到 12 份以上的从 19 个降到 1 个）；根层同一时刻最多 26 件、两周出现过 60 件（第一次 33 件、88 件）；生活问答里与家里同一件事的提问并进了家里的事项（猫的药量、铜水管、航班、刹车、漫画），其余问答收成一条 1–3 份的知会。
方法
| 项 | 本次 | 与第一次的差别 |
|---|---|---|
| 语料 | corpus/composite/frames.json v2（sha256 41e1265c…）：v1.1 加家庭流，28 帧、3217 条 | 多 388 条（第一次 2829 条，多 14%；占新语料 12%）。前四条流逐条不变 |
| 自由运行 | 第 n 帧的起始状态是 Agent 自己前 n−1 帧提交后的状态（内存内核）；被拒时带回执重试，最多 3 次 | 相同 |
| 模型 | claude-opus-5-5，claude -p（CLI 2.1.300，登录态，隔离设置与工具），结构化输出 | CLI 2.1.299 → 2.1.300 |
| 系统提示 | 一句角色说明 + SKILL.md（sha256 30b6a7ae10ff…） | 逐字相同 |
| 用户背景 | 语料自带的 persona.context：列出伴侣 Kajsa、女儿 Signe、儿子 Ture、母亲、妹妹与猫 Smilla，说明家庭往来是瑞典语、由作者编写，各流来自不同真实的人的公开数据；language 加一句瑞典语也用中文整理，streams 加 family | 第一次用 --persona-context 换成手写的人物设定（公司化名、在修的棚屋与车道、论坛名），没有家人名字，也没有“由作者编写”的说明 |
| 输入可见字段 | id / channel / from / at / stream / subject / url / text 与 self；超过 60 条或 2 万字符的帧把单条正文截到 1500 字符，共截断 238 条 | 相同；家庭消息都短，没有新增截断 |
| 规模 | 31 次调用，23.23 美元；dry-run 估算 18.76 美元（含重试 23.45）。输入约 206 万 token（缓存 33 万），输出约 47 万（其中推理 18 万） | 33 次，24.5 美元；输入约 222 万、输出约 47 万 |
用户背景是本次最大的混杂因素：家人的名字与渠道写进了背景，模型更容易把家庭消息认作“他的事”；背景里又说家庭流由作者编写，这句话会不会让模型对它另眼相看，没有检验。要把份额的变化归到家庭流本身，需要用同一份背景重跑，或换掉这句说明。已用第一次的手写背景重跑，见第三次自由运行：工作与生活份额的减少八成多随家庭流本身出现，本次与那次的差别主要是母亲住处的档位。
计分口径
本次改了 scripts/eval_judgment.py 的自由运行计分，第一次运行用 v1.1 语料复算，report.md 逐字不变，summary.json 的旧指标逐项不变，只多了逐帧的分流份额：
- 各流表按 summary 里实际出现的流输出（之前写死四条流，漏掉 family）。
- 前四条流的弱标注指标只看前四条流的输入。 忽略精确率的分母不再含家庭流的忽略。本次运行最初生成的
report.md把 50 条家庭流忽略算进了分母（911 条，精确率 0.101 / 0.119，与行为不矛盾 0.833），修正后是下文的 861 条、0.107 / 0.125、0.882；其余旧指标不受影响。 - 家庭流单独计分，依据 authored： 忽略的召回、精确率与“与作者档不矛盾”；作者事项（除去“琐事”“噪音”两类收纳项）同帧输入是否进同一条目、
authored_merge的两件是否进同一根层事项；按作者档（critical > high > normal > low > trace > none）的同帧成对排序；作者档 × 根层份额表；分流召回表加 family 几行（按与其他流同一口径的行为档）。家庭流只在这一帧确实交给了模型时计分，旧运行不受影响。 - 问题（asks）不由脚本计分。 契约的状态里没有“问题”字段，下文按引用该事项输入的
needs-you条目人工对照。
各流
| 流 | 采用 | 重复 | 暂缓 | 噪音 | 未判 | 本人发言 | 根层平均份额 |
|---|---|---|---|---|---|---|---|
| work | 525（811） | 15（7） | 671（388） | 58（60） | 2（5） | 405 | 20.3（48.9） |
| community | 0（26） | 0（0） | 32（12） | 685（680） | 2（1） | 19 | 0（0.4） |
| life | 130（227） | 3（0） | 98（18） | 13（0） | 1（0） | 81 | 2.6（13.1） |
| family | 174 | 11 | 86 | 39 | 0 | 78 | 37.7 |
| subscription | 0（0） | 0（0） | 2（0） | 87（89） | 0（0） | 0 | 0（0） |
括号里是第一次运行。前五列只算他人发来的输入；根层平均份额按事项引用的输入所在的流分摊，逐帧平均。
暂缓从 491 条（他人 418、本人 73）增加到 1117 条（他人 889、本人 228），主要在工作流：评审、CI 与本人的合并动作大量从“采用”改判“暂缓”，被事项引用的工作输入随之变少。生活流的变化是结构性的：第一次有 30 个各自 1–12 份的生活事项；这次与家里同一件事的 5 个提问并进家庭事项（份额按引用分摊，只有一小部分记到生活流），其余问答收成一条“问答新评论”知会，f21 以“刹车问题已因换车失去意义”为由撤下。
与弱标注对照（前四条流）
| 指标 | 本次 | 第一次 |
|---|---|---|
| 忽略：强依据召回 | 92/354（0.26） | 98/354（0.277） |
| 忽略：精确率（只算强依据 / 强弱都算） | 0.107 / 0.125（Agent 忽略 861 条） | 0.117 / 0.126（836 条） |
| 忽略：弱依据召回（单列） | 16/147（0.109） | 7/147（0.048） |
| 忽略：与行为不矛盾 | 759/861（0.882） | 744/836（0.89） |
| 同组输入进同一条目 / 同一根层事项 | 1.0 / 1.0（293 对） | 0.983 / 0.983（726 对） |
| 跨线程组进同一根层事项 | 1.0（96 对） | 0.973（186 对） |
| 成对排序一致（平局记半） | 0.313（3035/9696，平 5614，逆 1047）/ 0.603 | 0.46（4464，平 3895，逆 1337）/ 0.661 |
- 排序一致率下降主要来自平局。 前四条流的事项拿到份额的少了，两件都是 0 份的平局从 3895 对增加到 5614 对；真正排反的从 1337 对减少到 1047 对。
- 同组一致到 1.0，但样本少了一半以上。 被引用的输入少，可比的对从 726 降到 293。这项指标只检查同组输入有没有被拆开，不惩罚把不相干的输入并成一件：生活问答收成一条知会，在这里看不出来。
- 忽略两次几乎相同：订阅与社区照旧压下，漏掉的强依据仍是 CI 失败、评审与关闭通知，改判成了暂缓。
| 流 · 弱档位 | 事项帧数 | 纳入 | 根层份额 ≥6 |
|---|---|---|---|
| work · acted | 200 | 79（110） | 29（49） |
| work · delegated | 103 | 29（49） | 5（19） |
| work · untouched | 59 | 7（16） | 2（5） |
| work · noise | 38 | 24（24） | 16（20） |
| community · acted | 11 | 0（1） | 0（0） |
| community · untouched | 311 | 0（3） | 0（0） |
| life · acted | 61 | 32（45） | 2（2） |
| life · untouched | 63 | 22（36） | 4（3） |
| family · acted | 75 | 56 | 33 |
| family · untouched | 12 | 10 | 4 |
| family · noise | 57 | 10 | 2 |
| subscription · noise | 88 | 0（0） | 0（0） |
acted 是本人后来有行动的事项（high、engaged、later）。家庭流的行为档来自合成的 Jonas 回复，只与作者写定的剧情比，不与其他流的真实行为比。按全部前四条流的弱档位看，拿到 12 份以上的事项帧：high 9 → 3、engaged 14 → 1、delegated 17 → 0、noise 19 → 1，工作侧的大份额几乎都让给了家庭流。
家庭流
与作者标注对照
| 指标 | 值 |
|---|---|
| 忽略：authored 召回 | 50/185（0.27） |
| 忽略：authored 精确率 | 1.0（家庭流里 Agent 忽略 50 条） |
| 忽略：与作者档不矛盾（含 none 档事项的输入） | 50/50（1.0） |
| 同一事项的输入进同一条目 / 同一根层事项 | 0.964 / 0.964（55 对） |
| 并入关系（authored_merge）进同一根层事项 | 1.0（3 对） |
| 按作者档成对排序一致（平局记半） | 0.743（200/269，平 45，逆 24）/ 0.827 |
| 作者档 | 事项帧数 | 纳入 | 根层份额 ≥12 | ≥6 | 平均份额 |
|---|---|---|---|---|---|
| high | 20 | 18 | 17 | 18 | 17.7 |
| normal | 18 | 17 | 7 | 12 | 8.4 |
| low | 31 | 21 | 1 | 4 | 2.2 |
| trace | 6 | 6 | 0 | 0 | 2.3 |
| none | 69 | 14 | 2 | 5 | 1.0 |
这里的份额是“这一帧的家庭输入被哪件事项引用、那件事项的根层份额”。事项还在、但这一帧的新输入没有加进 sources 时记 0：母亲住处在 f12、f14 记 0，是因为“你们商量了吗”与“打了 24 分钟电话”都判为 used、写进了摘要，却没有加进来源，事项本身仍是 12 份。拆开的 2 对都在 f19：母亲问猫的语音留言被挂在母亲住处上，理由是回电时可以顺便说住处。
忽略只有作者的 27%，但多数没有进入事项：作者应忽略的 185 条里 39 条判噪音、11 条判重复、76 条暂缓、59 条采用，两周里被事项引用过的只有 27 条。差别主要在处置的标签，而不在呈现：群聊闲聊、附和与刷卡多被判为“暂缓”。可能的原因是第二版指引的判别顺序：noise 问的是“关联不到用户的任何事项”，派对群、班级群的闲聊总关联得到某件家事，于是落到最后的 deferred。真正被做成事项的噪音见下文“一次性的事”。
六条线
| 线 | 作者写定 | Agent 实际 | 判定 |
|---|---|---|---|
| A 猫看病 | 8/3 一件 normal；8/11 下午升 high，登记“打给诊所还是先观察”；8/14 答上，只留复诊日期；Kajsa 的催促都并进这一件 | f01 建 smilla-vet，12 份等你，浇番茄也写进标题；f05 约好后改为已完成 3 份，f06 起 1 份，f09 托 Gunnel 喂猫并进来；f15 看完兽医 6 份；f18（8/11 下午）升到 12 份“或吃了双倍药，等诊所回电”，并进生活流的药量提问；f22 看到失明风险后 24 份；f23 打完电话改为进行中“已减量，24 日 9:30 复诊”，之后 12 → 6 → 3 | 结构与时点一致：升档帧、了结帧、并入都对。份额高一档（开头 12 份对 normal，f22 到 24 份），了结后降得慢（作者 f23 即 normal，Agent 三帧仍 12）。把浇番茄并进猫，是第一次也有的“不相干的事并成一件” |
| B 母亲九月住哪 | 8/4 一件“母亲九月住哪，周五截止”，登记二选一，BankID 与 Ulrika 的催促并入；8/14 母亲自己交了回执，问题失效，报一句结果 | f01 母亲留言要回电时就建，12 份；f03 读到通告后 24 份“14/8 前选住处”，BankID 当帧并入；f10 他说交纸质回执后降到 12；f18 Ulrika 说母亲睡不着后回到 24，直到 f22；f23 改为已完成“已交回执，选疏散公寓”6 份，之后 3 份 | 结构、并入与失效帧完全一致，理由里一直追踪“你还没告诉 Mamma”。份额偏高：作者是 high，Agent 有 12 帧给 24 份（critical）；f03–f09 在等 Kajsa 回家商量、事情没有变化，仍是根层最大的一件。f26 Ulrika 已过时的追问让它回到等你 3 份；f28 母亲约吃饭、Ulrika 提生日都并进这件已了结的旧事 |
| C 和 Joakim 骑车 | 最多一条 trace，8/15 撤下，不登记问题 | 8/5 第一次约没有建事项；f13 记 1 份知会“下周六 16 日与 Joakim 骑车”（下周六是 15 日）；f19 撤下；f24 Joakim 把“明早九点？”发错到派对群，恢复成 12 份等你、到期 15 日 9 点；f25 他取消后撤下 | 前半段一致，f24 偏离：12 份，高于同帧邻居说车道湿了一周的 6 份。理由里自己写了“你也可能在别的群回过他，这里看不到”，仍按最坏情况排上来 |
| D 车道下漏水 | 8/10 邻居那句值一条低档痕迹（对照天气才看得出不对）；8/15 升 high，登记“整根换还是免挖”，窗口结束时仍开着 | f16（8/10 晚）建“邻居说车道信箱旁地面潮湿”3 份，理由“如果没浇过水，可能是水管漏水”，并指出他只回了谢谢；f18 起 1 份；f24 街坊群说湿了一整周、水压低，升到 6 份；f25 水表在转，12 份进行中；f26 报价出来，24 份等你、到期周一，并进生活流的铜管提问；f27–f28 仍 24 份，末帧写明“今早 10 点前回 Ronny” | 几乎逐帧一致，末帧仍开着。痕迹不是从天气推出来的，而是从“问是否浇过水”推出来的。24 份比作者的 high 高一档，但它确实是末帧最急的一件 |
| E 9 月 14 日的航班 | 不另立，并进生活流的航班：Kajsa 的追问让它从知会变成家里在等你 | f08（最忙的一天）建 sept-return-0914 6 份等你“9/14 回程改经停，需告诉 Mamma”，家里的追问与生活流的改经停提问在同一件里；f16 他决定不改签、Kajsa 说由她告诉母亲，降到 3 份进行中；f18 起 1 份，f22 撤下 | 一致。第一次运行只给知会 3 份、f11 撤下。作者在 f08 标 high，Agent 6 份，低一档 |
| F 小龙虾派对 | 一件 low，8/12 前登记“回几个人”，8/13 Kajsa 代答后失效 | f01 建 6 份等你，f02–f13 3 份，截止前后 f14–f20 6 份（f20“报名 12 日已截止未回”），f21 3 份，f22 Kajsa 在群里报了 4 人后撤下；f28 收款请求来时恢复成 3 份“周五前付 500kr” | 完全一致，份额在 low 与 normal 之间 |
一次性的事与丢弃
| 事 | 作者写定 | Agent 实际 | 判定 |
|---|---|---|---|
| Ture 发烧 | 当帧最高（已接回，记结果） | f19 记下早上答应的“今天接 Ture”3 份；f20 发烧接回后降成 1 份知会“Ture 发烧 38.4，已接回家”，同帧母亲 24、猫 12、刹车 6、派对 6；f21 起“记得报 vab”3 份 → 1 份，一直开到末帧 | 结果记了，份额最低，偏离。护理假一直开着，与作者一致 |
| 开学文件 | low，截止 8/18 | f16 6 份等你，之后 3 → 1；f22 与班级群的头虱提醒并成“签同意书、查头虱”；f28 学校再提醒，升回 6 份 | 方向一致，份额高一档，并入了一条作者判为噪音的群消息 |
| 假快递短信 | 丢弃 | f21 认出是钓鱼，建 1 份知会“勿付 29kr”，理由还核对了 Kajsa 的新车是瑞典店铺发货、不涉及关税；f22 撤下。f12 的 BankID 钓鱼短信也认出来、没有与母亲的 BankID 合并，但留了 3 份知会，f18 才撤 | 识别正确，没有丢弃，偏离 |
| 噪音层与闲聊 | 约六成丢弃（185/310） | 判为噪音或重复 50 条（16%），另有 76 条暂缓；被做成事项的噪音：班级群的头虱提醒（f09–f21，3 → 1 份）、街坊群的垃圾改期（f18–f21，1 份）、Signe 问午饭（f15，1 份）、两条钓鱼短信 | 标签偏离大，呈现偏离小：作者应忽略的输入两周里被事项引用过的只有 27 条 |
另有两处读法：“Fast jag hade fixat den”（作者意为“其实我能修好的”）被读成“你说后刹已修好”，Agent 自己注明“未核实”，f26 Kajsa 再提醒时又指出“与此前说法不一”；E03 里 Kajsa 说“那我告诉你妈 14 日晚上不方便”，Agent 读成“由 Kajsa 告诉 Mamma”，是对的，中文节拍表的转述反而简略。
问题的登记与了结（人工对照）
逐帧找引用该事项输入的根层条目，看它的 kind 是否为 needs-you、何时撤下或改判。
| 问题 | 作者：登记 → 去向 | Agent |
|---|---|---|
| 给 Smilla 约兽医 | f01 → 回答 f05 | f01–f04 等你 12 份；f05 改为已完成 |
| 派对回几个人 | f01 → 失效 f22 | f01–f21 等你 3–6 份；f22 撤下 |
| 母亲九月能不能来住 | f03 → 失效 f23 | f03–f22 等你 12–24 份；f23 改为已完成 |
| 周日和 Joakim 骑车吗 | f06 → 回答 f13 | 没有建事项；f13 记下改约 |
| Göran 九月来帮忙抬棚屋 | f06 → 窗口末仍开着 | f06–f21 等你 1–3 份；f22 为腾份额撤下 |
| 9 月 14 日几点到家 | f08 → 当帧回答 | f08 等你 6 份，转成“需告诉 Mamma” |
| 下周六和 Joakim 骑车 | f13 → 失效 f25 | f13–f18 知会 1 份，f19 撤下，f24 恢复成等你 12 份，f25 撤下 |
| 签开学同意书 | f16 → 窗口末仍开着 | f16–f28 等你 1–6 份 |
| 打给诊所还是先观察 | f18 → 回答 f23 | f18–f22 等你 12–24 份；f23 改为进行中 |
| 春天那张票的钱回来没 | f19 → 回答 f20 | f19 等你 3 份；f20 撤下 |
| Ture 发烧能马上接吗 | f20 → 当帧回答 | f20 知会 1 份，“已接回家” |
| Kajsa 的后刹自己修还是送修 | f20 → 失效 f21 | f20 等你 6 份；f21 降为知会 1 份 |
| 申报护理假 | f21 → 窗口末仍开着 | f21–f28 等你 1–3 份 |
| 热浪里给母亲打电话 | f22 → 当帧回答 | 并进母亲住处，摘要写“已通话 12 分钟谈高温” |
| 给 Ture 买风扇 | f24 → 当帧回答 | f24 进行中 1 份，f25 已完成 |
| 主水管怎么修 | f26 → 窗口末仍开着 | f26–f28 等你 24 份 |
| 派对 Swish 500 克朗 | f28 → 窗口末仍开着 | 恢复派对事项，等你 3 份 |
| 母亲生日做点什么 | f28 → 窗口末仍开着 | 并进母亲住处的摘要 |
| 母亲下周日来吃饭 | f28 → 窗口末仍开着 | 并进母亲住处的标题 |
- 跨帧了结的 8 个里 7 个在了结帧当帧撤下、改为已完成或降为知会；剩下的“周日骑车吗”从未建事项。
- 当帧回答的 4 个都记了结果；航班那一个转成了新的待办“需告诉 Mamma”。
- 窗口结束仍开着的 7 个里 6 个仍在状态里；棚屋那一个在 f22 为腾份额撤下，理由写了“需要回复 Göran 时可以恢复”。
- 登记帧没有等你事项的两个都在骑车线：一个没建事项，一个只记了 1 份知会。大纲说这条线不登记问题，节拍表却登记了两个，作者标注自身不一致；Agent 的做法更接近大纲。大纲说 Ture 发烧“当帧最高”，节拍表按帧末取档位，接回之后是 normal；本报告按大纲判偏离。
跨流的事
| 事 | 本次 | 第一次 |
|---|---|---|
| 航班变更撞上最忙的一天 | f08 与家里的追问并成一件，6 份等你；f16 降为 3 份，f22 撤下 | 知会 3 份，f11 撤下 |
| 宠物药量弄错 | 并进 smilla-vet：f18 12 份，f22 24 份，f23 打完电话了结 | 单列，6 → 12 份，到窗口末仍等你 |
| 周六水管开裂 | 并进 driveway-wet，f26 起 24 份 | 3 份 |
| 热浪里的空调与喝水 | 高温提醒判暂缓或噪音，f22 那条的理由写“Mamma 那边已通过电话处理”；空调提问暂缓 | 噪音；空调 1 份 |
| AI 找漏洞 | newsletter 全判噪音 | 相同 |
| 厨房 | 两个烹饪提问都暂缓；newsletter 噪音 | 各自进了生活事项 |
逐帧
| 帧 | 输入（家庭） | 根层件数 / 已用 | 家庭 · 工作 · 生活份额 | 家庭流份额最大的一件 | 费用（美元） |
|---|---|---|---|---|---|
| f01 | 76（14） | 10 / 57 | 30 · 24 · 3 | Mamma来电：stambyte文件需帮忙（12） | 0.45 |
| f02 | 131（16） | 13 / 64 | 27 · 34 · 3 | Mamma仍等回电：stambyte文件（12） | 1.48 |
| f03 | 133（8） | 13 / 63 | 39 · 23 · 1 | Mamma stambyte：14/8前选住处（24） | 0.80 |
| f04 | 127（19） | 14 / 64 | 39 · 24 · 1 | Mamma stambyte：14/8前选住处（24） | 0.77 |
| f05 | 73（9） | 14 / 58 | 30 · 27 · 1 | Mamma stambyte：14/8前选住处（24） | 0.51 |
| f06 | 159（12） | 17 / 64 | 34 · 29 · 1 | Mamma stambyte：14/8前选住处（24） | 0.92 |
| f07 | 111（10） | 18 / 64 | 32 · 31 · 1 | Mamma stambyte：14/8前选住处（24） | 0.65 |
| f08 | 206（15） | 16 / 64 | 35 · 25 · 4 | Mamma stambyte：14/8前选住处（24） | 1.21 |
| f09 | 78（12） | 17 / 64 | 38 · 22 · 4 | Mamma办不了BankID，14/8截止（24） | 0.65 |
| f10 | 127（9） | 18 / 50 | 27.7 · 17 · 5.3 | Mamma改交纸质回执，住处周末定（12） | 0.87 |
| f11 | 54（5） | 19 / 51 | 27.7 · 18 · 5.3 | Mamma改交纸质回执，住处周末定（12） | 0.41 |
| f12 | 83（3） | 21 / 63 | 30.7 · 27 · 5.3 | Mamma改交纸质回执，住处周末定（12） | 0.65 |
| f13 | 66（5） | 23 / 64 | 32.7 · 26 · 5.3 | Mamma改交纸质回执，住处周末定（12） | 0.49 |
| f14 | 97（16） | 21 / 62 | 35.7 · 21 · 5.3 | Mamma改交纸质回执，住处周末定（12） | 0.66 |
| f15 | 71（12） | 25 / 62 | 33.7 · 23 · 5.3 | Mamma等Kajsa意见，回执14日截止（12） | 0.61 |
| f16 | 155（23） | 23 / 61 | 40 · 20 · 1 | Kajsa同意Mamma住两周，需你转告（12） | 0.99 |
| f17 | 73（9） | 26 / 64 | 41 · 22 · 1 | Mamma仍在等答复：可住两周，需你转告（12） | 0.65 |
| f18 | 153（25） | 19 / 64 | 51.6 · 8.7 · 3.8 | Mamma等答复睡不着，14日截止（24） | 1.09 |
| f19 | 108（9） | 19 / 64 | 56.6 · 5.7 · 1.8 | Mamma等答复睡不着，14日截止（24） | 1.05 |
| f20 | 235（26） | 19 / 63 | 54.1 · 5.7 · 3.2 | Mamma等答复睡不着，14日截止（24） | 1.25 |
| f21 | 97（13） | 19 / 62 | 50.8 · 10.7 · 0.5 | Mamma等答复睡不着，14日截止（24） | 0.68 |
| f22 | 173（26） | 11 / 64 | 51.1 · 8.7 · 4.2 | Mamma回执今天截止，昨晚已通话（24） | 1.03 |
| f23 | 116（13） | 11 / 39 | 25.1 · 13.7 · 0.2 | Smilla已减量，24日9:30复诊（12） | 0.72 |
| f24 | 158（22） | 15 / 60 | 40.1 · 19.7 · 0.2 | Joakim问15日9点骑车，未见回复（12） | 1.74 |
| f25 | 54（11） | 14 / 52 | 34.1 · 17.7 · 0.2 | 疑漏水：水表空转，水管工今11–13点到（12） | 0.42 |
| f26 | 158（16） | 14 / 63 | 36.1 · 22.7 · 4.2 | 车道下铜管裂，周一前定修法（24） | 0.87 |
| f27 | 66（8） | 14 / 63 | 40.1 · 22.7 · 0.2 | 车道铜管漏，Kajsa要今天定修法（24） | 0.46 |
| f28 | 79（22） | 14 / 64 | 44.1 · 19.7 · 0.2 | 车道铜管漏，今早10点前回Ronny（24） | 1.14 |
份额按事项引用的输入所在的流分摊，三列之和与“已用”的差是社区、订阅与没有引用输入的事项。f24 的骑车与猫同为 12 份，按 rank 骑车在前。逐帧的忽略命中与家庭流事项明细在本机 report.md。
错误类型
- 家庭事项高一档。 猫开头 12 份（作者 normal），母亲 24 份（作者 high），开学文件 6 份（作者 low），幼儿园开园 f10–f14 6 份（作者 trace 到 low）。方向对，幅度系统性偏高；根层预算有限，多出来的份额来自工作。
- 噪音成了事项。 头虱提醒、垃圾改期、两条钓鱼短信、Signe 问午饭；都以 1–3 份的知会或痕迹出现，几帧后自己撤下。
- 当帧急事给得低。 Ture 发烧只有 1 份；同帧的派对报名截止有 6 份。
- 已了结的事被重新打开。 Ulrika 的过时追问让母亲住处回到等你；新来的吃饭与生日问题并进这件已了结的事，标题仍挂着旧事。
- 细节读错。 骑车日期写成 16 日；“hade fixat”读成已修好（自己标了未核实）；f20 猫的标题写成“诊所还没回电”，摘要里却写对了是他自己说 13 日再打。
- 工作侧大量改判暂缓。 评审、CI 与本人的合并动作从“采用”改判“暂缓”，工作里本人后来有行动的事项纳入从 110 降到 79；8 月 9 日下午到 10 日上午（f14–f15）弱标注为 high 的 #13522、#13524 第一次给 12 份，这次 1 份。
- 提交被拒的类型与第一次相同。 标题超过 24 字 2 次（其中一次是瑞典语混中文的“Kräftskiva：周五前Swish 500kr”）、摘要超过 60 字 1 次。
与第一次的对比
| 项 | 第一次 | 本次 | 怎样看 |
|---|---|---|---|
| 根层平均份额：工作 / 生活 / 家庭 | 48.9 / 13.1 / — | 20.3 / 2.6 / 37.7 | 家庭流只占输入的 12%，拿走近六成预算 |
| 暂缓（全部 / 他人） | 491 / 418 | 1117 / 889 | 工作输入大量改判暂缓 |
| 生活采用 | 227 | 130 | 问答收成一条知会，与家里同一件事的提问并进家庭事项 |
| 同组一致（对数） | 0.983（726） | 1.0（293） | 更少拆开，但可比的对少了 |
| 成对排序一致（平局记半） | 0.46 / 0.661 | 0.313 / 0.603 | 平局变多，排反的变少 |
| master CI | 第 2 帧起一直是 12 份等你 | f02 一帧 12 份，其余 1–6 份，f11 起改为进行中 | 改进：弱标注把这条线判为 noise 或 delegated |
| 根层同一时刻最多 / 两周出现过 | 33 / 88 件 | 26 / 60 件 | 改进：1 份的长尾少了 |
| 首次被拒 | 4 帧（5 次） | 3 帧（3 次） | 相当 |
| 费用 | 24.5 美元，33 次调用 | 23.23 美元，31 次调用 | 相当 |
原因只能分开列，不能定量拆分：
- 输入多了 12%，而且是最常要他拿主意的那一类。 第二版指引把“延后会错过决定”定为 critical，带截止、有人在等的家事正好落进这一档；工作侧的评审与 CI 多半球不在他手里。
- 家庭流抢了份额。 根层是 64 份的定额，家庭在 f18–f22 拿到 51–57 份时，工作只能退到 1 份的痕迹。这是判断的结果，不是预算失控：根层已用每帧都在 64 以内。
- 用户背景变了。 本次列出家人名字并说明家庭往来由作者编写，第一次是没有家人名字的手写设定（见方法）。
- 同一模型的随机性。 每个条件只跑一次。Codex 对照里同配置重跑约 15% 的条目档位会变，本次与第一次之间的许多单帧差别落在这个范围里。
哪些是改进：master CI 不再占位、长尾事项变少、跨流的同一件事并到一起、家庭问题的登记与了结几乎逐帧跟上。哪些是退步：工作里本人后来有行动的事项纳入与份额都下降，生活问答整体降成一条知会，家庭事项系统性高一档，当帧急事（Ture）给得最低。
还没有回答的问题
- 份额的分配应当由谁决定。 家庭在两天里拿走八成以上的根层，作者标注说这几件是 high，但没有说工作应退到多少。根层份额是否需要按流设下限，或由宿主在业务用途里说明，是指引与契约的问题，不是这次评测能回答的。
- 背景的影响。 用第一次的手写设定加一句家人说明再跑一次，才能分清家庭份额来自输入本身还是来自背景。
- 家庭流的标签。 作者档与节拍表在骑车的问题、Ture 发烧的档位上不一致，需要先修标注，再把问题的登记与了结做成脚本指标（契约的状态里得先有可对照的字段）。
- 方差。 两次运行的语料与背景都不同，仍然没有同条件的重复运行。
原始提示、响应、回执与逐帧状态保存在本机 .local/eval/free-20261015-161501/，日志 .local/free-composite-v2.log，不提交版本库。重新计分：
sh
.venv/bin/python scripts/eval_judgment.py --free-run --corpus corpus/composite/frames.json --rescore .local/eval/free-20261015-161501 --report