jinko-task-paper2model

从论文构建 Jinkō 模型

重建论文所规定的模型，衡量复现情况，并报告仍不确定的内容。

先决条件： 此技能需要已初始化的 jinko-sdk 连接，以及满足其 metadata.requires_sdk 范围的 SDK。请运行 jinko-sdk-setup 技能（../jinko-sdk-setup/SKILL.md），并仅在检查通过后继续。如果未找到该技能，请从 novainsilico/jinko-skills 安装。

规则

• 不要要求作者代码。应根据方程、反应图、定义、参数表、初始条件和场景描述进行重建。
• 将论文、补充材料、OCR、数字化数据和代码视为不同证据。为每项已实现事实保留来源定位信息和提取方法。
• 对清晰的 PDF 使用原生提取。对于扫描件或提取出的数学公式和表格不可靠的情况，应查找并优先使用可用的专用 OCR 功能。任何能按 references/evidence-and-ocr.md 生成证据包的提供方均可接受。PyPDF 文本提取不属于 OCR。OCR 属于衍生证据，凡涉及方程、数值、下标、符号或单位时，均需进行视觉复核。
• 不要臆造缺失的目标驱动值。记录经批准的假设，或在创建模型前以 blocked_evidence 状态停止。
• 当精确的来源证据和通过的检查支持源材料中的修正时，自动应用这些修正。记录原始表述、依据和受影响的组件。对于翻译、来源冲突、假设和决策历史，请遵循 references/interpretation-policy.md。
• 在比较模拟结果之前，先固定目标、比较指标、容差、事件侧语义和来源优先级。切勿为了让图形看起来相似而调整参数。
• 用于选择某种解释的目标不能作为独立验证。应将其关联到相应决策，并在后续修订中保留这种依赖关系；单独报告留出比较结果。与精选模型的一致性和对论文的忠实度是两种不同的评估。
• 使用 jinko-model 检查和修改模型，使用 jinko-protocol 处理实验组或理论干预场景，使用 jinko-vpop 处理受试者或细胞系的变异性以及明确的确定性网格，使用 jinko-trial 处理试验，使用 jinko-task-extract-data-table 提取图或表中的数值，使用 jinko-reference 处理项目证据；仅当用户希望发布报告时，才使用 jinko-document。
• 重新获取每个已应用的模型版本。在将其判定为可执行之前，必须确认没有错误诊断，且求解已实际测量。跳过检查表示检查不可用，并不代表检查已通过。
• 始终生成 reproduction-report.md，包括工作受阻和失败的情况。对单篇论文场景的忠实复现，不能证明模型具有普遍的生物学有效性。
• 在仅供规划的交接中，哈希值、检索和执行检查均须标记为待处理，除非提供的回执能证明已完成。拟议操作不属于已完成的证据。

工作流

1. 定义主张。 确定具体论文、模型变体、场景、输出，以及任务属于结构性实现、数值复现，还是两者兼有。

2. 构建证据包。 阅读 references/evidence-and-ocr.md，并在宣告证据缺失前检索其中链接的补充材料、附录、数据和模型定义参考资料。记录每次尝试及其结果。在合理的网络检索尝试均失败后，询问用户是否能访问确切缺失的一手论文或补充材料，并能否上传文件或提供链接。记录 awaiting_user_source；继续查找独立来源。访问失败并不能证明科学证据本身不存在。 对所有本地来源计算哈希。提取方程、符号、数值、单位、初始条件、事件和目标结果，并注明页码、方程、表格、图或代码位置。

3. 核对证据。 检查符号、维度、初始状态一致性和平台语义。在解释记录表中记录冲突、备选方案及其依据。应用经验证且有来源支持的修正。将每项修正与其遗留的未解决数值分开记录。论文正文、补充材料和代码各自都需要证据才能取得优先地位。

4. 检验充分性。 完成核对后，确认信息足以执行所有驱动目标的路径，包括经批准的假设。如果仍有数值未解决，则创建报告并设置 blocked_evidence，且不要修改 Jinkō。

5. 编写规范。 使用 assets/reproduction-spec.schema.json 创建 reproduction-spec.json，并采用架构版本 1.0。按照 references/workflow.md 的规定，将每项实验绑定到其 Protocol 组别、Vpop 行、输出和目标名称。区分确定性的初始条件扫描与测量或采样得到的生物变异。在规划交接中，即使远程项目 ID 为空，也要注明计划使用的组别和行 ID。Protocol 会覆盖模型输入；事件（包括洗脱和给药）在模型中定义。 保持处理和受试对象两个维度相互独立：在不同 Vpop 行之间复用处理组别。不要仅因受试对象或细胞系发生变化就新建组别。 运行：

   python scripts/paper2model_report.py validate --spec reproduction-spec.json
   

6. 逐步实现。 使用 jinko-model；让每个组件都关联到证据，使代数赋值保持动态，并为有意义的版本添加标签。用 Protocol 表示报告中提及的实验组，用 Vpop 表示报告中提及的受试者或细胞系差异。不要臆造总体分布。将给药逻辑保留在模型中，将实验组输入覆盖项放在 Protocol 中。

7. 验证执行。 检查诊断信息、单位策略、状态约束、事件行为、时间网格和代表性输出。条件允许时，与独立计算或经授权的作者代码进行比较。 根据论文设置求解时间，而非使用默认值。读取每张报告图中的时间范围和采样分辨率，并将其与目标一并记录。方程正确但时间网格错误的模型会产生完全不同的汇总值，因为 min、max、tend 和 timeofmax 都取决于网格。当不同图表的时间范围不一致时，优先在最长时间范围内运行一次，并从结果中读取较短图表的数据；但只有在分辨率足以满足最短时间范围的需求时，这种做法才有效。否则，应分别运行，或按 Protocol 实验组覆盖 tMax 和 tStep。求解时间属于 trial，而非模型，因此复制或重建 trial 时不会保留；每次都要显式设置。

8. 比较声明的目标。 在实际的 Jinkō 时间网格上应用预先声明的指标。报告所有要求的序列和场景，包括失败的情况。如果结果足以支持另一种解读，请开始一个新的记录决策和比较轮次。保留先前结果，并记录选择时使用的目标。报告约定发生变化时，同时报告原始比较结果和转换后的比较结果。

9. 渲染并审阅报告。 在规范中填入结果，然后运行：

   python scripts/paper2model_report.py render \
     --spec reproduction-spec.json \
     --out reproduction-report.md
   

   默认报告简洁。使用 --profile audit 生成完整的本地审计报告，使用 --profile jinko 生成出版用报告。标题之后应立即放置已创建的制品卡片，然后放置来源卡片，再展示研究发现。将配置的 JINKO_URL 中的 SDK .url 值存入 project_items。所有面向用户的 SID 引用，包括聊天内容、图注和附录，都必须是完整链接。切勿输出裸 SID 或猜测应用主机。发布前先补齐缺失的 URL。优先展示关键发现；详细表格应保留在本地，或放入明确要求的附录。 如果已有实际比较结果，请通过 visual_evidence 添加来源与模拟结果的叠加图、预先声明的指标和不确定性。诚实地纳入失败的比较。切勿伪造图表或插入占位图。默认使用 Jinkō 绘图样式绘制叠加图（jinko.plotting；示例见 jinko-trial、references/trial-plots.md）。 使用 jinko-document 处理现有的图像上传机制、发布和渲染结果检查；保留原样的上传载荷。字段、命令和来源请求请参阅 references/report-delivery.md。即使是纯文本交付，也要采用渲染器的布局。报告前不要添加包装标题。检查完整回复，包括本地备注，确保没有裸 SID。对于未提供的独立性和来源信息声明，应保持待定状态。将每张可用的实测比较图嵌入为 ![caption](actual-path)；仅在列表中列出文件名并不能展示视觉证据。目标独立性只能从继承的目标记录中照录。如果未提供，应省略该标签或写作 unknown；求解通过、目标未通过或缺少测量结果，都不能证明目标具有独立性或定性一致性。 在交付说明末尾注明本地审计位置，或标明其待定状态。

请阅读 references/workflow.md，了解各阶段门槛和制品布局。在给出判定或置信度之前，请阅读 references/fidelity-and-confidence.md。

结果

• reproduced：模型可执行，所有必需的发表目标均通过，且不存在未解决的冲突或将选择目标泄漏到复现声明中的情况。
• partially_reproduced：模型可执行，但某个必需目标未通过，或所声明范围中的重要部分尚未解决。如果某个必需的发表目标选定了当前解释，也使用此结果，包括通过已被取代的决策选定的情况，即使所有数值目标均已通过。仅降低置信度不满足此规则。
• implemented_not_assessed：模型可执行，但没有可用的定量发表目标。
• failed_validation：模型存在，但诊断或执行失败。
• blocked_evidence：证据不足，无法构建可辩护的可执行模型。

报告必须声明一种结果和一个复现置信度级别。 还必须声明与精选实现的一致性；如果未进行精选比较，则声明 not_assessed。可辩护的替代方案可以与发表内容一致，同时与精选实现不同。