feat(eval): Phase 13.5 classification framework freeze + true end-to-end evaluator

[xianyu9n]

Phase 13.5 — Classification Framework Freeze + true end-to-end evaluator

已 rebase 到最新 master（PR #11 已合入）。本 PR 相对 master 只含 3 个 Phase-13.5 文件：
docs/design/framework-freeze.md、script/verl/sft/evaluate_true_e2e.py、
tests/evaluation/test_evaluate_true_e2e.py。不重复包含 Phase 13 的 launcher/evaluator/merge tool。

Commits（rebase 后）

• da8252d feat(eval): true end-to-end choice-protocol evaluator + unit tests + classification freeze doc
• 7ed073d docs(freeze): 各阶段真实 I/O 示例 + true-E2E 成功/失败 trace
• 2f653f2 docs(freeze): Field metadata 标注为待分类数据 + raw→prompt 可见性映射
• 6b8714c docs(freeze): 冻结范围收窄为 classification pipeline；data_level/grading not-frozen
• 6a11561 docs(freeze): PR review —— 合成候选 fixture / provisional reward 系数移出 frozen；grading additive 扩展；RL-init 措辞
• c8e38c9 docs(freeze): PR review —— check_stage2_choices 保持 frozen classification-only 严格 parser；grading 由新增 joint/grading-aware parser（复用 answer-choice decode）处理

Changed files（相对 master）

• script/verl/sft/evaluate_true_e2e.py — true E2E（Stage2 由 Stage1 预测 Top-5 动态构建；复用 build_stage1/2_prompt + check_stage{1,2}_choices + corpus）
• tests/evaluation/test_evaluate_true_e2e.py — Stage1 miss / hit+correct / hit+wrong / malformed 不 crash / candidates==预测 Top-5
• docs/design/framework-freeze.md — Classification Framework Freeze

Freeze 文档口径（本 PR 修改摘要）

• Frozen（classification contract）：canonical category_id · PromptChoice protocol · Stage1/2 分类契约 · candidate 输入输出契约（Stage1 输出 Top-5、decode 为 canonical；Stage2 接收 5 个 predicted category_id、顺序定 local id）· parser/decode · reward 框架 · SFT/RL parquet 分类契约 · VeRL adapter 分类路径 · true-E2E 分类评估协议
• parser 口径（c8e38c9）：现有 check_stage2_choices（及 check_stage1_choices）是 frozen 的 classification-only 严格 parser；未来加入 grading 不修改它，而是新增 joint/grading-aware parser，复用 answer choice → canonical category_id 分类语义
• Not frozen（§1.2）：synthetic candidate construction（build_candidates 为 fixture 非生产检索策略）、负采样 / hard-negative 策略、未来候选采样改进 —— build_candidates() 本身不改
• Not frozen（§1.3）：provisional reward 系数（Stage-2 stage2_partial=0.5 数值）、后续任务定义确认的 reward weighting —— reward.py 数值不动
• Not frozen（§1.1）：data_level 语义（L1–L4 UNKNOWN）、grading target/prompt/parser/evaluator/reward、分类+分级联合指标；data_level remains provenance only
• grading additive 扩展：允许 Stage2 输出 schema 追加字段（如 {"answer":"3","data_level":"L2"}）；冻结的是「answer choice → canonical category_id」，不是「只能有 answer 一个字段」
• RL 初始化：仅固定正式基模 Qwen/Qwen2.5-7B-Instruct；Phase 13 checkpoint = reproducible baseline / candidate downstream-init artifact，不冻结任何具体 checkpoint；不得用 test 选 checkpoint

验证

• true-E2E（test n=18，greedy/seed 42）：base 0.000 → SFT final 0.444 (8/18)；Stage2 conditional acc 8/8=1.0；瓶颈=Stage1 Recall@5 0.444；proxy_e2e（PR11）与 true_e2e 明确区分
• 测试口径：
  • GitHub CI：212 passed, 30 skipped（Python 3.10）；Python 3.12 与 verl-compat 亦 PASS
  • bash -n / py_compile（PR11 文件）已在 PR feat(sft): Phase 13 正式 7B SFT/LoRA baseline（launcher + evaluator + merge tool） #11 验证
• 未改 prompt/reward/parser/data/parquet schema；data_level 未纳入 supervised target