mirror of
https://github.com/mcloh/poc-grok-websearch.git
synced 2026-11-06 06:14:11 +00:00
Audit Grok finalist selection with equal 12-intent screening across seven OCI IDs
This commit is contained in:
Marcos Lohmann
180
benchmarks/screening/report_screening.py
Normal file
180
benchmarks/screening/report_screening.py
Normal file
@@ -0,0 +1,180 @@
|
||||
"""Pontuação congelada e relatório retrospectivo, sem inferência adicional."""
|
||||
import argparse
|
||||
from collections import Counter
|
||||
from decimal import Decimal
|
||||
import csv
|
||||
import copy
|
||||
import hashlib
|
||||
import json
|
||||
import math
|
||||
from pathlib import Path
|
||||
import random
|
||||
import statistics
|
||||
import sys
|
||||
|
||||
ROOT=Path(__file__).resolve().parent
|
||||
sys.path.insert(0,str(ROOT))
|
||||
from run_screening import MODELS, read_results
|
||||
D=lambda value:Decimal(str(value))
|
||||
|
||||
def config(model):return model.removeprefix('xai.').replace('-0309','')
|
||||
|
||||
def metrics(rows):
|
||||
known=[r for r in rows if r.get('cost',{}).get('total_usd') is not None]
|
||||
n=len(rows)
|
||||
def total(key):return sum((D(r['cost'][key]) for r in known if r['cost'].get(key) is not None),D(0))
|
||||
return {'interactions':n,'known_costs':len(known),'reliable_searches':sum(r.get('reliable_search',False) for r in rows),
|
||||
'total_usd':str(total('total_usd')),'mean_usd':str(total('total_usd')/n) if n and len(known)==n else None,
|
||||
**{k:str(total(k)) for k in ['input_usd','cached_input_usd','output_usd','web_search_usd']},
|
||||
**{k:int(total(k)) for k in ['input_tokens','cached_input_tokens','output_tokens','reasoning_tokens','web_search_calls']},
|
||||
'mean_total_tokens':str((total('input_tokens')+total('output_tokens'))/n) if n else None,
|
||||
'median_seconds':statistics.median(r['seconds'] for r in rows) if n else None}
|
||||
|
||||
def score(rows,dataset,rules):
|
||||
index={(r['model'],r['intent_id']):r for r in rows}
|
||||
assert len(index)==len(rows)==84
|
||||
per_model={}
|
||||
for intent in dataset['intents']:
|
||||
group=[index[(model,intent['id'])] for model in MODELS]
|
||||
reliable=[r for r in group if r['reliable_search']]
|
||||
best_cost=min((D(r['cost']['total_usd']) for r in reliable),default=None)
|
||||
best_time=min((D(r['seconds']) for r in reliable),default=None)
|
||||
assert len({r['shared_payload_sha256'] for r in group})==1
|
||||
for row in group:
|
||||
ok=row['reliable_search']
|
||||
amount=D(row['cost']['total_usd']) if row['cost'].get('total_usd') is not None else None
|
||||
cost=(D(1) if amount==0 else best_cost/amount) if ok else D(0)
|
||||
latency=(D(1) if D(row['seconds'])==0 else best_time/D(row['seconds'])) if ok else D(0)
|
||||
rel=D(1) if ok else D(0)
|
||||
w=rules['weights']
|
||||
row['score_components']={'cost':float(cost*100),'search_reliability':float(rel*100),'latency':float(latency*100)}
|
||||
row['operational_score']=float(100*(D(w['cost'])*cost+D(w['search_reliability'])*rel+D(w['latency'])*latency))
|
||||
for model in MODELS:
|
||||
selected=[r for r in rows if r['model']==model]
|
||||
by_category={c:statistics.mean(r['operational_score'] for r in selected if r['category']==c)
|
||||
for c in ['culinaria','esportes','clima','entretenimento']}
|
||||
value=sum(by_category.values())*rules['category_weight']
|
||||
stat=metrics(selected)
|
||||
gate=stat['known_costs']==rules['required_known_costs'] and stat['reliable_searches']>=rules['minimum_confirmed_searches']
|
||||
per_model[model]={'model':model,'configuration':config(model),'score':value,'by_category':by_category,
|
||||
'operational_gate_passed':gate,'passed':gate and value>=rules['cutoff_score'],**stat}
|
||||
groups={}
|
||||
for name in dict.fromkeys(config(m) for m in MODELS):
|
||||
members=[m for m in MODELS if config(m)==name]
|
||||
stat=metrics([r for r in rows if r['model'] in members])
|
||||
value=statistics.mean(per_model[m]['score'] for m in members)
|
||||
gate=all(per_model[m]['operational_gate_passed'] for m in members)
|
||||
groups[name]={'configuration':name,'members':members,'score':value,
|
||||
'operational_gate_passed':gate,'passed':gate and value>=rules['cutoff_score'],**stat}
|
||||
sortkey=lambda g:(-g['score'],D(g['mean_usd']) if g['mean_usd'] is not None else D('Infinity'),g['median_seconds'],g['configuration'])
|
||||
ranked=sorted(groups.values(),key=sortkey)
|
||||
selected=[g['configuration'] for g in ranked if g['passed']][:2]
|
||||
# Reamostrar casos iguais em todos os IDs, mantendo os estratos de três por tema.
|
||||
rng=random.Random(20261015);scores={m:[] for m in MODELS};group_scores={g:[] for g in groups};top=Counter()
|
||||
strata=[[i['id'] for i in dataset['intents'] if i['category']==c] for c in ['culinaria','esportes','clima','entretenimento']]
|
||||
for _ in range(2000):
|
||||
sample=[rng.choice(stratum) for stratum in strata for _ in range(3)]
|
||||
idscore={m:statistics.mean(index[(m,key)]['operational_score'] for key in sample) for m in MODELS}
|
||||
for m in MODELS:scores[m].append(idscore[m])
|
||||
candidates=[]
|
||||
for name,g in groups.items():
|
||||
value=statistics.mean(idscore[m] for m in g['members']);group_scores[name].append(value)
|
||||
if g['operational_gate_passed'] and value>=rules['cutoff_score']:
|
||||
sampled=[index[(m,key)] for m in g['members'] for key in sample]
|
||||
amounts=[D(r['cost']['total_usd']) for r in sampled]
|
||||
candidates.append((-value,sum(amounts)/len(amounts),statistics.median(r['seconds'] for r in sampled),name))
|
||||
for candidate in sorted(candidates)[:2]:top[candidate[-1]]+=1
|
||||
def interval(values):
|
||||
a=sorted(values);return [a[math.floor(.025*len(a))],a[math.ceil(.975*len(a))-1]]
|
||||
for m in MODELS:per_model[m]['case_bootstrap_95_range']=interval(scores[m])
|
||||
for name,g in groups.items():
|
||||
g['case_bootstrap_95_range']=interval(group_scores[name]);g['bootstrap_top2_frequency']=top[name]/2000
|
||||
return per_model,ranked,selected
|
||||
|
||||
def main():
|
||||
parser=argparse.ArgumentParser();parser.add_argument('--run-id',default='screening-2026-10-15-v1');args=parser.parse_args()
|
||||
assert all(c.isalnum() or c in '-_' for c in args.run_id)
|
||||
source=ROOT.parent/'runs'/args.run_id
|
||||
manifest=json.loads((source/'manifest.json').read_text());events=[json.loads(l) for l in (source/'events.jsonl').read_text().splitlines()]
|
||||
rows=read_results(events);dataset=json.loads((ROOT/'intents-12.json').read_text());rules=json.loads((ROOT/'scoring-rules.json').read_text())
|
||||
assert len({(r['model'],r['intent_id']) for r in rows})==len(rows)
|
||||
print(f'{len(rows)}/84 chamadas coletadas')
|
||||
if len(rows)!=84:print('Pontuação final não calculada para uma matriz incompleta.');return
|
||||
assert hashlib.sha256((ROOT/'PROTOCOLO.md').read_bytes()).hexdigest()==manifest['protocol_sha256']
|
||||
models,groups,selected=score(rows,dataset,rules)
|
||||
prices=json.loads((ROOT/'oracle-prices.json').read_text())
|
||||
no_cache=copy.deepcopy(rows)
|
||||
for row in no_cache:
|
||||
family='grok-4.20' if row['model'].startswith('xai.grok-4.20-') else row['model'].removeprefix('xai.')
|
||||
rate=prices['models'][family]['input_'+row['cost'].get('pricing_band','short')]['usd']
|
||||
c=row['cost']
|
||||
c['input_usd']=str(D(c['input_tokens'])*D(rate)/D(1000000))
|
||||
c['cached_input_usd']='0'
|
||||
c['total_usd']=str(sum(D(c[k]) for k in ['input_usd','cached_input_usd','output_usd','web_search_usd']))
|
||||
_,no_cache_groups,no_cache_selected=score(no_cache,dataset,rules)
|
||||
original={'grok-4.3','grok-4.20-non-reasoning'}
|
||||
confirmed=set(selected)==original and len(selected)==2
|
||||
report={'retrospective':True,'run_id':args.run_id,'reference_date':dataset['reference_date'],
|
||||
'method':'12 prompts idênticos x sete IDs; três por tema; critérios congelados antes das novas inferências; recuperações de rejeições compartilhadas de infraestrutura documentadas à parte',
|
||||
'http_attempts':sum(e['event']=='started' for e in events),
|
||||
'infrastructure_rejections':sum(e['event']=='infrastructure_rejected' for e in events),
|
||||
'unknown_cost_infrastructure_attempts':sum(e['event']=='infrastructure_rejected' for e in events),
|
||||
'manifest':manifest,'rules':rules,'total':metrics(rows),'by_model':models,'configurations':groups,
|
||||
'selected_configurations':selected,'original_selection_confirmed':confirmed,
|
||||
'cache_discount_sensitivity':{'secondary':True,'method':'Mesmos tokens e latências observados; entrada em cache reprecificada como entrada normal, sem novas chamadas. Não simula execução fisicamente sem cache.','selected_configurations':no_cache_selected,'configurations':no_cache_groups},
|
||||
'original_selection':['grok-4.3','grok-4.20-non-reasoning'],
|
||||
'conclusion':'A amostra confirma os dois candidatos originais segundo a regra operacional congelada.' if confirmed else 'A amostra não confirma os dois candidatos originais como as duas primeiras configurações segundo a regra congelada.',
|
||||
'limits':'Nota operacional relativa, sem pontuação factual. Auditoria retrospectiva; 12 casos não permitem inferir o resultado de 100 intenções nos demais modelos.'}
|
||||
target=ROOT/'results'/args.run_id;target.mkdir(parents=True,exist_ok=True)
|
||||
(target/'summary.json').write_text(json.dumps(report,ensure_ascii=False,indent=2)+'\n')
|
||||
public=[{k:v for k,v in r.items() if k!='provider_response_id'} for r in rows]
|
||||
(target/'measured-usage.json').write_text(json.dumps(public,ensure_ascii=False,indent=2)+'\n')
|
||||
prompts={r['id']:r['prompt'] for r in dataset['intents']}
|
||||
fields=['intent_id','category','model','http','reliable_search','truncated','final_answer_chars','seconds','input_tokens','cached_input_tokens','output_tokens','reasoning_tokens','web_search_calls','input_usd','cached_input_usd','output_usd','web_search_usd','total_usd','cost_score','search_score','latency_score','operational_score','prompt_sha256','shared_payload_sha256','prompt']
|
||||
with (target/'interactions.csv').open('w') as handle:
|
||||
writer=csv.DictWriter(handle,fieldnames=fields,lineterminator='\n');writer.writeheader()
|
||||
for row in rows:
|
||||
flat={**row,**row['cost'],'cost_score':row['score_components']['cost'],
|
||||
'search_score':row['score_components']['search_reliability'],'latency_score':row['score_components']['latency'],'prompt':prompts[row['intent_id']]}
|
||||
writer.writerow({key:flat.get(key) for key in fields})
|
||||
fmt=lambda v:f'{float(v):.4f}'
|
||||
lines=['# Pré-teste retrospectivo — 12 consultas por identificador', '',
|
||||
'**'+report['conclusion']+'**', '',
|
||||
f"84 novas respostas avaliadas; {report['http_attempts']} tentativas HTTP, das quais {report['infrastructure_rejections']} rejeitadas por infraestrutura; custo conhecido US$ {report['total']['total_usd']}; buscas operacionais confiáveis {report['total']['reliable_searches']}/84.", '',
|
||||
'A seleção original antecedeu este teste. Esta etapa é uma auditoria posterior e não reescreve a cronologia.', '',
|
||||
'## Classificação por identificador', '',
|
||||
'| ID OCI | Nota /100 | Busca confiável | Gate operacional | Corte >=70 | USD/interação | Tokens/interação | Mediana s | Faixa bootstrap das notas |',
|
||||
'|---|---:|---:|---|---|---:|---:|---:|---|']
|
||||
for row in sorted(models.values(),key=lambda r:-r['score']):
|
||||
lo,hi=row['case_bootstrap_95_range'];lines.append(f"| `{row['model']}` | {fmt(row['score'])} | {row['reliable_searches']}/12 | {row['operational_gate_passed']} | {row['passed']} | {fmt(row['mean_usd']) if row['mean_usd'] is not None else 'unknown'} | {float(row['mean_total_tokens']):.2f} | {row['median_seconds']:.3f} | {lo:.2f}–{hi:.2f} |")
|
||||
lines+=['','## Corte por configuração, com aliases agrupados', '',
|
||||
'| Configuração | IDs agrupados | Nota /100 | Aprovada | Selecionada | Frequência top 2 no bootstrap |', '|---|---:|---:|---|---|---:|']
|
||||
for row in groups:
|
||||
lines.append(f"| `{row['configuration']}` | {len(row['members'])} | {fmt(row['score'])} | {row['passed']} | {row['configuration'] in selected} | {row['bootstrap_top2_frequency']:.1%} |")
|
||||
lines+=['','## Sensibilidade ao desconto de cache', '',
|
||||
'Análise secundária e exploratória, sem alterar a seleção principal. Nos mesmos registros, cobrar toda a entrada pela tarifa sem cache e reaplicar os mesmos pesos. Selecionadas nesse cenário contábil: '+', '.join('`'+v+'`' for v in no_cache_selected)+'. Não é uma simulação física de serviço sem cache.', '',
|
||||
'A amostra não é holdout: os dois candidatos originais já receberam esses prompts no lote anterior. O cache da API não foi controlado. A sensibilidade apenas verifica a contribuição do desconto financeiro, mantendo tokens e tempos observados.', '',
|
||||
'## Interpretação dos aliases', '',
|
||||
'A nota agrupada é a média dos IDs da configuração. As duas versões de alias não ocupam vagas separadas. O gate operacional exige 12 custos conhecidos e ao menos 11 buscas confiáveis por ID; o corte de 70 aplica-se à nota da configuração.', '',
|
||||
'## Regra e limites', '',
|
||||
'- Pesos: 50% custo total, 30% busca operacional confiável e 20% latência; 25% por tema, com três consultas cada.',
|
||||
'- Eficiência de custo e tempo normalizada pela melhor resposta confiável da mesma intenção. Uma resposta não confiável recebe zero nos três componentes.',
|
||||
'- Busca confiável requer HTTP 200, custo conhecido, search completed, fontes, citações, texto final não vazio e ausência de sinal de truncamento. Não é avaliação factual.',
|
||||
'- Faixa bootstrap: sensibilidade descritiva aos casos em 2000 reamostragens estratificadas e pareadas. Não é intervalo de confiança populacional e não mede repetições independentes da mesma pergunta.',
|
||||
'- Gates de custo e confiabilidade ficam fixos na reamostragem; o corte de 70 é reaplicado às notas de cada reamostragem.',
|
||||
'- As 84 respostas avaliadas são novas; nenhuma resposta do lote original de 200 foi reutilizada como execução deste pré-teste.',
|
||||
'- As rejeições compartilhadas por HTTP 429 foram preservadas e recuperadas uma vez após controle de taxa; não foram computadas como custo zero ou como falha de um modelo. Veja o [adendo operacional](../../ADENDO-TAXA.md).',
|
||||
'- O contador financeiro cobre respostas com usage; o custo das rejeições sem usage permanece desconhecido e não integra as médias nem o custo conhecido publicado.',
|
||||
'- O limite de 2400 tokens de saída e os defaults do modelo são iguais aos do experimento. Truncamentos são penalizados; isso avalia esta configuração operacional, não a capacidade máxima de cada modelo.',
|
||||
'- Custos calculados a preço de lista Oracle incluem tokens e websearch; não são fatura conciliada.',
|
||||
'- O caso de contexto longo foi conciliado sem repetir a inferência; a memória de cálculo consta no [adendo de contabilidade](../../ADENDO-CONTABILIDADE.md).',
|
||||
'- O parâmetro max_output_tokens=2400 não limitou o uso agregado de saída do loop a 2400 em todas as respostas. Os custos usam o usage total retornado, incluindo etapas internas.', '',
|
||||
'## Evidências', '',
|
||||
'- [Protocolo anterior às novas chamadas](../../PROTOCOLO.md).',
|
||||
'- [Dataset de 12 intenções](../../intents-12.json), [regras de corte](../../scoring-rules.json) e [sensibilidade de cache](../../SENSIBILIDADES.md).',
|
||||
'- [CSV das 84 interações](interactions.csv), [métricas medidas](measured-usage.json) e [resumo com bootstrap](summary.json).', '']
|
||||
(target/'REPORT.md').write_text('\n'.join(lines))
|
||||
(target/'sha256.json').write_text(json.dumps({name:hashlib.sha256((target/name).read_bytes()).hexdigest() for name in ['summary.json','measured-usage.json','interactions.csv','REPORT.md']},indent=2)+'\n')
|
||||
print(report['conclusion']);print('Selecionadas:',selected);print('Custo novo USD:',report['total']['total_usd'])
|
||||
|
||||
if __name__=='__main__':main()
|
||||
Reference in New Issue
Block a user