{
 "schema": "r054-algo-bakeoff-scorecard",
 "truth_anchor": "Kai 目视观察(远右近左绕打斗) + A6/A7 仪器互证",
 "truth_signature_px_per_1000w": {
  "far": 8.2,
  "mid": 5.3,
  "near": -12.4
 },
 "arms": {
  "A1_SEA-RAFT全局单应(生产L2读出)": {
   "output": "pan-left 17.7%/s + zoom-out 11.0%/s + tilt-down + roll (r054_flow.json)",
   "sig_px_per_1000w": null,
   "verdict": "错误——全帧单应被前景大主体污染, 运动学全误读(正是本轮病灶源)",
   "lesson": "单应+稳健拟合在『前景≥50%画面』时失效; residual 43px/帧已报警"
  },
  "A2_VGGT-1B位姿头": {
   "output": "静态段 rot 中位 2.3°/帧(锁定段仍在动), 动作窗污染至累计420°",
   "sig_px_per_1000w": null,
   "verdict": "错误——位姿头在本片种(2D动画风+剧烈前景)不可靠; 锁定段非零即为假阳",
   "lesson": "价值在深度头/3D点, 不在位姿头(v4 已注, A9 兑现验证)"
  },
  "A3_qwen-eye(VLM)": {
   "output": "pan-right f25起 high-confidence; 树干 moved_left 150px(坚持)",
   "sig_px_per_1000w": null,
   "verdict": "错误——与仪器差5000倍, 运动模糊横向条纹诱发背景流动幻觉(0902定谳复现)",
   "lesson": "VLM 运镜域系统性不可信; 只可用于『有/无明显运镜』粗筛"
  },
  "A4_背景锚族v5(bg-anchor+相位相关+ECC)": {
   "output": "全70帧位移0.89px/净0.08px/无主体对cc=0.99999",
   "sig_px_per_1000w": {
    "far": 0.0,
    "mid": 0.0,
    "near": null
   },
   "verdict": "部分正确——远板锁定判定精确(0.03px级), 但对近景滑移全盲",
   "lesson": "采样域=远板 ⇒ 只能证远层; 『无全局运动』≠『无运镜』"
  },
  "A5_全带相位相关(顶部28%)": {
   "output": "69对|dx|>2px=0, 净0.08px",
   "sig_px_per_1000w": {
    "far": 0.0,
    "mid": null,
    "near": null
   },
   "verdict": "同A4(远板内精确, 全帧外盲)",
   "lesson": "与A4同族: 顶层带≈冠层零视差轴"
  },
  "A6_分层Farneback累计(Q3)": {
   "output": "far+16/mid+10/near-32 px@1920w (拍飞窗剔除后15.8/-23.8)",
   "sig_px_per_1000w": {
    "far": 8.2,
    "mid": 5.3,
    "near": -12.4
   },
   "verdict": "正确——反号/远零/近负/幅值秩序全中; 首支看见 Kai 观察的算法",
   "lesson": "分层读出+长程累计是关键; 逐帧中位流即使引擎粗糙也够方向判定"
  },
  "A7_冠层稳定化长基线(Q4)": {
   "output": "f70按冠层单应回f01后, 近景6块中5块左移-68~-170px(中位-102px)",
   "sig_px_per_1000w": {
    "far": 0.0,
    "mid": null,
    "near": -53.1
   },
   "verdict": "正确——近景滑移的定量定谳(决定性证据); 幅值偏大因含深度混合边缘",
   "lesson": "长基线一步放大逐帧阈下信号; 平面选择决定『谁被定义为不动』"
  },
  "A8_SEA-RAFT分层读出": {
   "output": "960w累计(px/1000w, 已归一) {'far': 1797.7, 'mid': 1187.7, 'near': -2090.1}; 逐对冠层中位流~32px vs 相位相关平移上限0.065px/对(差500倍)",
   "sig_px_per_1000w": {
    "far": 1797.7,
    "mid": 1187.7,
    "near": -2090.1
   },
   "verdict": "方向正确/幅值不可信——反号与GT同向, 但密集对应被AI闪烁污染(噪声流~32px/对), 幅值膨胀百倍",
   "lesson": "决定性发现: 『引擎更强』≠『读数更对』. RAFT密集对应在真拍片是金标准, 在AI生成片(逐帧纹理重绘+亮度闪烁)上退化为噪声流; 当年L2生产探针读出pan-left+zoom-out幻影正是同一颗引擎×同一种噪声——幻觉也长在数学里, 不止长在VLM里. AI片种光流读取必须用梯度局部引擎(Farneback)+分层中位+长程累计, 或亚像素全局峰(相位相关)",
   "score": "2/4 (反号✓近负✓, 远零✗幅值✗)"
  },
  "A9_VGGT深度分箱×RAFT流": {
   "output": "深度五箱(远→近) [1504.6, 1563.2, 1135.1, -1477.7, -6263.4]; Spearman(flow_x, 1/Z)中位 -0.694 (n=57)",
   "sig_px_per_1000w": {
    "far": 1504.6,
    "mid": 1349.2,
    "near": -3870.5
   },
   "verdict": "方向正确(真深度轴)/幅值不可信——近层反向左滑在VGGT深度分箱复现; ρ(flow_x,1/Z)=-0.694, 与物理平移(应∝+1/Z, ρ>0)反号 ⇒ 2.5D分层定谳; 幅值同A8被RAFT噪声膨胀(远箱+1505 vs 相位相关真值~3px)",
   "lesson": "v4 预言兑现: VGGT 价值在深度头. 『深度分箱×流相关』是物理平移 vs 2.5D分层的直接判别器: 平移⇒ρ>0且全深度同号∝1/Z; 分层反滑⇒ρ<0. 本片 ρ=-0.694 = 分层. 深度锚稀疏化(每4帧) 在 AI 片纹理重绘下安全(深度场缓变)",
   "score": "2/4 (反号✓近负✓, 远零✗幅值✗) + 深度轴ρ判别✓"
  }
 }
}