research-training-and-ablation-loop

name	research-training-and-ablation-loop
description	分析 AI、深度学习和序列表征学习任务中的训练过程、消融结果、评测表格和失败模式。当 Codex 需要解释模型行为、排序下一步实验，或把 runs 总结成清晰结论时使用。

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

1. 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
2. 把结果整理成几个块：
   • headline metrics
   • training dynamics
   • ablation deltas
   • error analysis
   • unresolved anomalies
3. 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
4. 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
5. 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
6. 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。”