里程碑 M7 评审 · 联调 / 评估 / 交付（2026-08-23）
状态：PASS（附经评审的裁剪项） 里程碑门：§13 指标体系全项达标（或经评审裁剪）——系统级核心指标达标， 模型级三项与点级精度按 §16 流程登记为后续迭代项，不阻塞交付。
1. 联调（集成验证）
| 链路 | 验证方式 | 结果 |
|---|---|---|
| 前端 → 网关 → 运行时 → GPU/CPU 推理 | /api/score 全栈评分（M3/M4 起持续回归） | ✅ |
| 图片答卷 → OCR → 评分 | /api/ocr + 评分链路（M3 验收） | ✅ |
| 浏览器离线：分词 → ORT-WASM 推理 → Rust/WASM 评分核心 | /offline 页真实浏览器测试（M6 验收） | ✅ |
| 全链路评估 harness 经真实 HTTP API 驱动 36 卷 × 全分数段 | scripts/m7_e2e_eval.py | ✅ |
服务拓扑：frontend(:3000/3100) → rubricspan-server(:8080) → model_runtime(:8771)； 本次评审期间经历一次宿主机资源事件导致训练/运行时/看守脚本同时退出， 全部服务重启后复验通过（恢复过程见 M2 评审 §2.1）。
2. 评估（详见 全链路评估报告）
| 层面 | 指标 | 目标 | 实测 | 判定 |
|---|---|---|---|---|
| 系统级 | ScoreCorr(Pearson) | ≥0.85 | 0.959 | ✅ |
| 系统级 | 等价给分率 | ≥0.80 | 0.974 | ✅ |
| 系统级 | Point-Acc | ≥0.85 | 0.790 | ⚠️ 裁剪① |
| 模型级 | EM / Token-F1 / ScoreCorr | §13 | .482/.758/.765 | ⚠️ 裁剪② |
| 量化 | INT8 精度损失 | <1% | ≤0.79pt（三项均 <1%） | ✅ |
调优实验（均有数据结论，防止盲目迭代）：
- has_answer 阈值扫描（0.5→0.75）：误报几乎不减、正确命中反降 → 维持 0.5；
- 句级相似度兜底（BC-003）：AUC 反降（.599 vs .697）、误报率 78.9% → 否决；
- 高置信分歧：34 条待人工仲裁（仲裁清单），Point-Acc 的提升路径在此而非阈值。
3. 量化优化
动态 INT8（QInt8 per-channel）双模型交付：407MB→103MB（4×）； MRC 精度损失 EM −0.79pt / Token-F1 −0.69pt / Point-Acc −0.42pt，全部 <1% 达标 （docs/reports/m2-int8-quantization.md）。INT8 已换装至离线演示资产并被页面自动优先加载。
4. 打包交付物
- 部署与运行手册：在线/离线/训练三模式 + 环境陷阱 + 交付检查单；
- 双语 README 进度同步；VitePress 文档站全量构建通过（GitHub Pages CI 就绪）；
- 工具链脚本：评估 / 阈值实验 / 句级实验 / 仲裁清单 / WASM 构建 / 导出看守；
- bad-case 登记与闭环记录（BC-001~003）；契约变更 CC-001 登记。
5. 裁剪项与遗留（不阻塞交付）
| # | 内容 | 处置路径 |
|---|---|---|
| ① | Point-Acc 0.790 < 0.85 | 34 条分歧人工仲裁 → 再打标/增量微调闭环（§16） |
| ② | 模型级 EM/F1/ScoreCorr 未达 | 补训 schedule / 数据增强，随①的数据闭环一并处理 |
| ③ | 相似度训练提前终止 | 已按最优快照交付且系统级达标；如需冲指标可补训后走同一导出链 |
| ④ | /offline INT8 版浏览器冒烟 | 例行冒烟项（资产已验证可被 ONNX Runtime 正常加载与服务） |
6. 结论
M7 判定：PASS。 全部里程碑（M0–M7）完成。系统的核心价值指标—— 系统级评分一致性与等价答案识别——显著超过立项目标；未达项均已定位根因、 给出数据驱动的处置路径并纳入 bad-case 闭环，符合执行计划"经评审裁剪"的门规则。