docs: 全掃引を3曲目で測り直す — 判断は動かず、理由が変わった

[ijuinryukichi]

Known limits の冒頭にあった但し書き:

The sweeps quoted below were run on the first two tracks, before the third had a ground truth. They have not been re-run on it, so read "both tracks" in them literally.

測り直したので差し替える。再現ハーネス側の対応は toryu-web #473（exp_*.py が 2 曲固定だったのを tracks.py に括り出して 3 曲体制にした）。

結果 — 8 案中 7 案が 3 曲目で完全に不活性

掃引した全ての値で shipped とビット単位に同じ配置になる。λ = 1.2（1 曲目を 19/20 → 1/20 に崩壊させる強さ）でも 3 曲目は 1 行も動かない。

理由は 3 曲目に直すべき誤配置が無いこと（worst 0.81 s / 外れ値 0）で、7 案は全部 repair 機構なので発火する対象が存在しない。

これで不採用の理由が変わる。 2 曲では「ここで得た分をあちらで払う trade」に見え、どちらを重く見るかが読み手の裁量に落ちていた。trade ではなかった — upside は既に壊れている曲にしか無く、downside（greedy の idx が全ての決定を隣に運ぶ）は全曲に掛かる。

8 案目の語頭スナップだけが不活性でなく、3 曲目でも悪化（0.35 → 0.48 s / ≤0.5 s 29/38 → 20/38）＝ 3 曲中 3 曲で悪化。

変更点

• Known limits 冒頭 — 但し書きを実測結果に差し替え

• 4 案の表に虎徹列（全行 identical）。断言でなく表で見えるようにした

• 可変 pairing の details に、3 曲目 large-v3 で唯一「採用に見えた」構成とその正体を追加:

  3 曲目, large-v3	採点行	mean |err|	worst	外れ値を除く本体
  shipped	27/38	1.35 s	29.0 s	0.290 s
  downward deviation, k ≤ 2	27/38	0.28 s	0.7 s	0.284 s

  mean は 4.8 倍良いが本体は 0.006 s しか動いていない（その曲の GT 分解能の 30 分の 1）。29 s ずれた 1 行が honest miss に落ち、別の 1 行が miss から +0.12 s で戻っただけ。誤答を「わからない」に替えるのはこのツールが望む挙動だが精度改善ではなく、しかも medium では固定と完全に同一。上では無採点の半分がコストを隠し、ここでは採点母集団が縮んで利得を作った。

• auto pairing の表に虎徹 2 行。large-v3 は各曲の auto pairing で 3 曲中 2 曲が悪化（虎徹は large-v3 の方がセグメントが少ない: 32 < 36）。model upgrade は曲ごとに測るもので、既定で手を伸ばすものではない、と明記

• 3 曲目の位置づけを訂正。「裁定するために足した」→「足した。裁定はせず棄権した。そちらの方が有用な答えだった」

数字はすべて scratchpad/lyrics_align_bench の JSON が正本。