explore-run

explore-run

これを Rigor Improve／Rigor Explore の実行リーフスキルとして使用します。互換性のため、インストール済みのスラッグは explore-run のままです。

../ai-research-reproduction/references/agent-operating-principles.md の共通運用原則を使用してください。このスキルは、現在のリポジトリに関するモデルの判断を尊重しながら、 候補となる実行の計画を導くものです。

適用する場合

• 研究者が探索的な実行を明示的に許可した場合。
• タスクが、小規模サブセットでの検証、短サイクルのトレーニングプローブ、バッチスイープ、アイドル状態の GPU を使った探索、または簡易的な転移学習の試行である場合。
• 信頼できる成功を認定するのではなく、候補となる実行を順位付けする出力が必要な場合。

適用しない場合

• ユーザーが信頼できるトレーニングの実行や保守的な検証を求めている場合。
• 探索的な実行が明示的に許可されていない場合。
• タスクがリポジトリのセットアップ、受け入れ、またはデバッグである場合。

明確な境界

• このスキルが担うのは、探索的な実行計画と概要の作成のみです。
• タスクが current_research の調整と探索的なコード変更の両方にまたがる場合は、代わりに ai-research-explore を使用してください。
• 実際のコマンド実行は minimal-run-and-audit または run-train に引き継いでもかまいません。
• 実験の状態は、信頼できるベースラインから分離してください。
• 負荷の高い探索的実行の前に、小規模サブセットや短サイクルのチェックを優先してください。
• 実行結果は限定的な証拠として示し、比較が直接公平ではない場合はその理由を説明してください。

順位付けの意味

• 実行前の候補選定では、cost、success_rate、expected_gain の3つの要素を使用します。
• 研究者が selection_weights を明示的に指定しない限り、デフォルトの重みは保守的な値にしてください。
• スコア付けの後も、max_variants と max_short_cycle_runs による予算に応じた絞り込みを適用します。
• 後から実行する場合、以降の順位付けはヒューリスティックだけに頼らず、実際の実行結果に切り替えてください。

バリアント仕様のヒント

• variant_axes を使用して、候補の次元グリッドを定義します。
• subset_sizes と short_run_steps を使用して、探索的な実行規模を指定します。
• selection_weights を使用して、cost、success_rate、expected_gain の重みを調整します。
• primary_metric と metric_goal を使用して、以降の順位付けで実行済みの候補を一貫して並べられるようにします。

出力要件

• explore_outputs/CHANGESET.md
• explore_outputs/SCIENTIFIC_CHANGELOG.md
• explore_outputs/COMPARABILITY_REPORT.md
• explore_outputs/TOP_RUNS.md
• explore_outputs/status.json

注意事項

references/execution-policy.md、../ai-research-reproduction/references/explore-variant-spec.md、../ai-research-reproduction/references/deep-learning-experiment-principles.md、scripts/plan_variants.py、scripts/write_outputs.py を使用してください。