ocean326 训练与消融循环
当 runs 已经存在，任务是尽快从结果中学到东西时，使用这个技能。
当结果需要更强的可视化、统计检验或实验跟踪模式时，读取 references/upstream-patterns.md。
工作流程
- 先明确你的核心问题：
- 为什么失败
- 哪个 ablation 真正起作用
- 下一步该跑什么
- 哪些结果值得写进论文
- 把结果整理成几个块：
- headline metrics
- training dynamics
- ablation deltas
- error analysis
- unresolved anomalies
- 对 AI 和序列任务，重点检查：
- loss 与下游指标是否不匹配
- seed 是否导致不稳定
- 序列长度拉长后是否退化
- 数据少与数据多时表现是否不同
- train 与 inference 是否存在错位
- decoding 是否敏感
- 对每个结果分类：
- supports the main claim
- weakly supports the claim
- contradicts the claim
- is probably a bug or setup artifact
- 推荐下一轮动作：
- rerun
- 更紧的 ablation
- error slice
- baseline 修复
- 可直接用于写作的总结
- 如果证据已经成熟，转交给
research-paper-production-pipeline。
输出要求
返回：
- 主发现
- 最可能的失败模式或解释
- 价值最高的下一个实验
- 可直接用于写作的证据总结
示例
- “使用 $research-training-and-ablation-loop 解释这些训练曲线，并告诉我下一步该跑什么。”
- “使用 $research-training-and-ablation-loop 判断这里到底哪个 ablation 真正重要。”
- “使用 $research-training-and-ablation-loop 把这张结果表整理成可直接写进论文的证据总结。”