Bio-Audit Reward 协议（阶段 4 · 窗口 E + F）
版本：v1（2026-08-16，与映射定稿 docs/reward-mapping.md 绑定）+ 批 2 更新（窗口 F，2026-08-16）：实测表升级至 60 任务（taskset v1.1.0）， 批 1 旧值留档（§7.1） 依据：refactor-plan-v1.1 F1-F7 + 拍板 #1（F4 不进 reward）+ 拍板 #2（验收方式）
- execution-plan §六.八（E1-E4）+ §六.九（F4.9） 机器可读产出：
bio-audit reward-calibrate（校准报告）/bio-audit reward-validate（五闸） 数据：60 条 benchmark 任务（taskset v1.1.0）+ 20 条 legacy 轨迹（干净底物）
一、目标与范围
reward 是外围输出层：把引擎 level 判定变换为训练信号（step_rewards + trajectory_reward），不改变任何评分路径（golden 20 轨迹 137 决策 0 差异 为硬验收）。本文档固定配方、验收统计量与锚点协议；映射数值见 reward-mapping.md（宪法）。
二、配方定义（E2.5/E2.6）
| 配方 | 定义 | 与 A 的差 |
|---|---|---|
| A | 纯规则分：mean(未 mask 步骤 reward) | 基线 |
| B | A × γ=0.30，当且仅当存在未 mask L0（二元） | 硬惩罚效应 |
| C | 加权 mean（PRM 预留接口；占位权重=1.0 均匀） | PRM 加权效应 |
- 同一输入三组配方输出可比（同 schema、同任务数、同引擎 step_scores）；
- 默认配方 = B（规则分 + 硬惩罚，E2.5 定稿）；
- A/B/C 正交隔离：B−A = 硬惩罚效应，C−A = PRM 加权效应；组合配方未冻结。
三、mask 语义（F1 + B4 纪律）
| 条件 | mask 原因 | 处理 |
|---|---|---|
| level = -1（无法评估） | level_minus_one | 不参与分子与分母 |
| verdict = revoked | revoked | 只消费 final（B4） |
| verdict = provisional | provisional_not_final | 只消费 final（B4） |
| 有会话但无 verdict 记录 | no_verdict_record | 只消费 final（B4） |
| 全步骤 mask | — | trajectory_reward = None（不给 0 虚假信号） |
无采集会话（legacy/benchmark）→ 全部视为 final（meta.verdict_mode=all_final）。
四、验收统计量（E3.7，拍板 #2 预注册）
放弃 Spearman 点估计门槛（F5 改验收）。预注册统计量：
- 排序一致性（弱锚点方向）：reward 排序 vs gold 质量排序
- gold 质量 q =
correct / (correct + error)（edge 中立；全 edge → 剔除）； - 统计量：Spearman ρ + Kendall τ_b，如实报告（含任务级重采样 percentile bootstrap CI，B=2000，seed=42）；不做通过/失败阈值；
- gold 质量 q =
- 分层均值检验（验收主判据）：
- 预注册分组：good =
n_gold_error == 0；bad =n_gold_error ≥ 1； - 统计量：
mean(good) − mean(bad)（期望 > 0）+ 两样本置换 bootstrap p （B=2000 双尾）+ 均值差 CI；显著分离 = diff > 0 且 p < 0.05；
- 预注册分组：good =
- 多种子稳定性（F6）：ρ/τ 点估计跨种子恒定（reward 无随机源 → 确定性）+ bootstrap CI 边界跨种子偏差 ≤ 0.05（种子集 {42, 1, 7, 123, 2026}）。
五、校准锚点（E3.9，F7 拍板）
- 弱锚点：benchmark gold 标注（§四排序一致性 + 分层检验）——gold 与 规则分非单调（F7：audit 评方法、F1 评结果），只作证据不作门槛；
- 强锚点（spike-in 合成数据）：
- 底物：
scrna_correct（12 步全 L3，reward 0.85；deg_correct/pan_correct 同族）； - 注入：1 条引擎实测判 L0 的决策（自校验：audit_decision level==0，
候选含 required_context，见
reward/validate.pyINJECTION_CANDIDATES）； - 判据：
drop = reward(干净) − reward(注入) ≥ 0.30且注入步骤 level==0； - 0.30 阈值的依据：注入 1 个 L0 后配方 B = (n−1)/n·0.85·γ；n≥2 时 drop ≥ 0.85·(1−γ)·(n−1)/n ≥ 0.85×0.7×0.5 = 0.2975 ≈ 0.30（n=2 边界）， 取 0.30 保守整数阈值——远低于实测 0.61（n=12），抗轨迹长度波动；
- 三范式各落地一组（deg/pan/scrna），测试 + reward-validate 双守卫。
- 底物：
六、reward-validate 五闸（E4.13，CI 双矩阵）
- 映射健全（单调非降、-1 mask、天花板 0.85）；
- 确定性（同输入两次 reward 逐字节一致）；
- spike-in 强锚点（drop ≥ 0.30 + 注入判 L0 自校验）；
- 三组消融可运行（同输入、同任务数）；
- golden 0 差异（评分路径保护）。
排序一致性/分层检验结果随五闸输出为证据（人工验收用），不作门禁阈值。
七、实测结果
7.1 批 1 留档（2026-08-16，30 任务冻结，taskset v1.0.0）
| 配方 | Spearman ρ [CI] | Kendall τ_b [CI] | 好组均值 | 坏组均值 | diff [CI] | p |
|---|---|---|---|---|---|---|
| A | 0.6279 [0.2916, 0.8380] | 0.4949 [0.2099, 0.7182] | 0.7692 | 0.6592 | +0.110 [0.036, 0.183] | 0.007 |
| B | 0.6091 [0.2894, 0.8335] | 0.4898 [0.2131, 0.7213] | 0.6611 | 0.2862 | +0.375 [0.195, 0.536] | 0.001 |
| C | 0.6279 [0.2916, 0.8380] | 0.4949 [0.2099, 0.7182] | 0.7692 | 0.6592 | +0.110 [0.036, 0.183] | 0.007 |
- 解读（批 1）：分层检验配方 B good vs bad 显著分离（diff=+0.375，p=0.001）； 硬惩罚把分离度放大 3.4 倍且不扭曲排序（ρ 0.628→0.609，CI 重叠）。
7.2 批 2 实测（2026-08-16，60 任务冻结，taskset v1.1.0；新预注册 benchmark-pr-2026-08-16-02）
| 配方 | Spearman ρ [CI] | Kendall τ_b [CI] | 好组均值 | 坏组均值 | diff [CI] | p |
|---|---|---|---|---|---|---|
| A | 0.6686 [0.4628, 0.8202] | 0.5505 [0.3767, 0.7002] | 0.7726 | 0.6394 | +0.133 [0.073, 0.196] | 0.000 |
| B | 0.6179 [0.4042, 0.7830] | 0.5033 [0.3219, 0.6618] | 0.6775 | 0.3160 | +0.361 [0.229, 0.472] | 0.000 |
| C | 0.6686 [0.4628, 0.8202] | 0.5505 [0.3767, 0.7002] | 0.7726 | 0.6394 | +0.133 [0.073, 0.196] | 0.000 |
- 分层检验（主判据）：配方 B good vs bad 显著分离（diff=+0.361，p=0.000）； 硬惩罚把分离度放大 2.7 倍（0.133 → 0.361）且排序一致性保持（ρ 0.669→0.618， CI 重叠）——B 是默认配方的实证依据在 60 条样本上复现；
- 与批 1 对比（如实）：ρ 0.6091→0.6179、τ_b 0.4898→0.5033（点估计略升）， CI 收窄（n=30→60）；分层 diff +0.375→+0.361（略降但区间收窄、 p 0.001→0.000）——结论稳健，非样本量驱动的假象；
- 多种子：5 种子 ρ/τ 点估计完全一致（0.6179/0.5033，确定性），CI 边界 偏差 ≤ 0.05（稳定）；
- spike-in（锚点与任务集无关，五闸常驻）：scrna_correct + no_doublet_detection → 0.85 → 0.2354，drop = 0.6146 ≥ 0.30 ✓（deg/pan 同验）；
- 解读（如实）：ρ≈0.62 属中等强度——预期内：gold 评”结果”（含未检出 错误 = FN，D4 recall 0.82 即非 1.0），reward 评”方法”，F7 的非单调映射 使得完美排序本不可达；验收判据是分层分离显著 + 排序一致有正证据， 而非 ρ 门槛（拍板 #2）。
八、遗留与变更流程
- 批 2 任务集（30→60）已落地：校准重跑完成（本文档 §7.2 新表 + 新预注册 记录 benchmark-pr-2026-08-16-02，批 1 旧值留档 §7.1）；分层检验随任务集 变化已如实重新评估；
- PRM 落地后：配方 C 占位权重替换为真实模型输出，走 reward-mapping.md §10 变更流程；
- 报告/reward 字段均标注
experimental_uncalibrated（C3 语义不变）—— 任何消费方不得把 reward 当校准信号用于生产决策。