# Trusted Data Manifest

这份清单用于说明当前仓库中哪些数据资产可以视为“可信集”，哪些暂时只保留但不默认信任。

判定依据：

1. 与 `docs/current_status.md` 中的路径和统计一致
2. 与已完成“全量清洗 + 复评”的说明一致
3. 能明确落到当前推荐工作流：`raw full rerun -> cleaned silver -> evaluation -> gold prep`

## 1. 当前可信集

说明：

- 本文档原先基于更完整的历史工作区整理。
- 在当前轻量工作区中，部分 `runs/silver/...` 与 `runs/evaluation/...` 目录未被保留，但对应的 cleaned Silver 快照仍然存在。
- 当前应优先以“当前工作区实际存在且可追溯的文件”为准。

以下内容可以视为当前可信数据资产，建议随 Linux 迁移包一起带走：

- `clearn_base_data/`
  - 当前默认图片目录
  - 已在当前主链路中被使用

- `silver_dataset.jsonl`
  - 当前工作区中已核实存在的 cleaned Silver 快照
  - 记录数为 `22793`，与正式 cleaned Silver 统计一致
  - `runs/gold/gold_release_v1/summary.json` 记录的实际 Gold 输入就是该文件

- `summary.json`
  - 当前工作区中与 cleaned Silver 评估结果对应的摘要快照

- `dropped_records.jsonl`
  - 当前工作区中与 cleaned Silver 清洗结果对应的剔除记录快照

- `high_iou_pairs.jsonl`
- `moderate_iou_pairs.jsonl`
  - 当前工作区中保留的重复框风险快照

- `runs/gold/gold_release_v1/`
  - 当前正式 Gold 基线
  - 与训练数据、验证基线和后续回归检查直接关联

- `runs/swift_data/qwen3_5_35b_a3b_exp_a_official_v2/`
- `runs/swift_data/qwen3_5_35b_a3b_exp_b_attr_v2/`
  - 当前实验 A / B 的正式训练数据

## 2. 保留但不默认信任

以下内容暂时不作为“可信集”默认输入，但不代表一定错误，只是当前证据不足：

- `runs/manual_qc/`
  - 有参考价值
  - 但当前未被明确指定为正式可信资产

- `runs/mid/`
  - 有训练计划或元数据价值
  - 但与当前“可信数据集”定义不是同一层

- 文档里提到的历史 `runs/silver/...`、`runs/silver_cleaning/...`、`runs/evaluation/...` 路径
  - 这些路径属于历史完整工作区命名
  - 在当前轻量工作区中并未实际保留

## 3. 当前排除项

以下内容在本次“可信集迁移包”中排除：

- `tmp_gold.jsonl`
- `tmp_silver.jsonl`
- `test_sft_data.jsonl`
  - 这些更像临时文件或测试文件

- `runs/silver/silver_*`
- `runs/silver/smoke_*`
  - 这些是小样本试跑或中间运行目录
  - 当前不作为可信主资产

- `base_data/`
  - 当前用户已提示其中可能存在不稳或不对的数据
  - 本次迁移不默认带入可信集

## 4. 当前推荐的 Linux 默认输入

迁移到 Linux 后，默认优先使用：

- 图片目录：`clearn_base_data/`
- Silver 输入：`silver_dataset.jsonl`

如果需要追溯清洗前版本，再回看：

- 历史完整工作区中的 `runs/silver/full_rerun_20260311_210637/silver_dataset.jsonl`