Empirical filter runner (DeepSeek); real cost ratio in docs

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_014aUaQeLnwbb1zTpN7kHeat

CLAUDE.md

@@ -45,7 +45,7 @@
 - A4H is small: MCP limit is 8 sessions (by design). The server shares ONE RFC connection between
   sessions; a parallel call gets "[LOCK] Concurrent call detected". `mcp_client.py` retries this.
   Keep parallel runs low (max 3). DDIC activation during setup is sensitive to parallel runs.
-- Budget: `runs/ledger.jsonl` (list prices, upper bound). `.env`: `BUDGET_LIMIT_USD`, `BUDGET_CYCLE_START`.
+- Budget: `runs/ledger.jsonl` (list prices, upper bound; real cost ≈ ledger / 1.47, measured 2026-10-03). `.env`: `BUDGET_LIMIT_USD`, `BUDGET_CYCLE_START`.
   Ollama usage resets on 12 October 2026, then +60 USD per month. At the limit, stop cloud work.
 - Objects: package `$TMP` only. Prefix `Z` + run (4 chars base36) + task (3 chars base36) + `_`
   (`harness/task.py`). Teardown after each run with the ADT deletion API (`adt_client.py`, credentials in `.env`).

docs/yol-haritasi.md

@@ -93,7 +93,7 @@ Adım 3 görev ister; görevler el ile yazılırsa darboğaz olur. Bu yüzden il
 
 ## Bütçe takvimi (Ollama cloud, 2026-10-02)
 
-Kalan: ~50 $ (12 Ekim'e kadar). 12 Ekim'de +60 $, sonra her ay +60 $. Birim maliyet (ölçülen): DeepSeek koşusu ≈ 0,05–0,08 $; görev üretimi ≈ 0,13 $ / görev, 0,16 $ / kabul edilen görev (pilot, liste fiyatı). Yerel modeller (Qwen vb.) ücretsiz; gece koşuları.
+Dönem bütçesi 60 $. 2026-10-03 09:20: gerçek harcama 5,20 $ (Ollama hesabı), kalan 54,80 $ (12 Ekim'e kadar). Ledger aynı anda 7,64 $ gösteriyordu: liste fiyatı gerçek harcamanın ~1,47 katı (cache indirimi). Gerçek harcama ≈ ledger / 1,47. 12 Ekim'de +60 $, sonra her ay +60 $. Birim maliyet (ölçülen): DeepSeek koşusu ≈ 0,05–0,08 $; görev üretimi ≈ 0,13 $ / görev, 0,16 $ / kabul edilen görev (pilot, liste fiyatı). Yerel modeller (Qwen vb.) ücretsiz; gece koşuları.
 
 | Dönem | Bütçe | İş | Tahmini harcama |
 |---|---|---|---|
@@ -106,7 +106,7 @@ Kalan: ~50 $ (12 Ekim'e kadar). 12 Ekim'de +60 $, sonra her ay +60 $. Birim mali
 | **12 Kasım sonrası** | 60 $/ay + ek kredi | Adım 3'ün tamamı, ardından Adım 4 (SFT) | |
 
 Kurallar:
-- Harness her bulut isteğinin token kullanımını `runs/ledger.jsonl`'e yazar (liste fiyatı, cache indirimi olmadan = üst sınır). Dönem harcaması `BUDGET_LIMIT_USD`'ye (şu an 45 $) ulaşınca yeni üretim veya bulut koşusu başlamaz. ✓
+- Harness her bulut isteğinin token kullanımını `runs/ledger.jsonl`'e yazar (liste fiyatı, cache indirimi olmadan = üst sınır). Dönem harcaması `BUDGET_LIMIT_USD`'ye (şu an 45 $, ledger cinsinden ≈ 30 $ gerçek) ulaşınca yeni üretim veya bulut koşusu başlamaz. ✓
 - Eval görevleri ve eğitim görevleri ayrı havuzlar; eval görevleri eğitim verisine girmez.
 - Bulut ve yerel model aynı Ollama sunucusunda kuyrukta bekleyebilir; ölçümler sırasında ikisi aynı anda koşturulmaz.
 

harness/empirical.py

@@ -0,0 +1,80 @@
+"""Empirical filter (step F, second layer): run accepted eval tasks with real models.
+
+A task where a strong model fails although the reference passes can have an unclear spec (flag it).
+A task that every model passes with ease does not separate models (candidate for removal).
+
+  python3 -m harness.empirical --model deepseek-v4.1-flash:cloud --run-base 10000 [G0100 ...]
+
+Results: runs/emp/results.jsonl and <task>/empirical.json (one entry per model). Resumable: a task that
+already has a result for the model is skipped. Tasks with review decision "reject" are skipped.
+"""
+import argparse
+import glob
+import json
+import os
+
+from .adt_client import load_env
+from .agents import LlmAgent
+from .ledger import BudgetExceeded
+from .runner import Runner
+
+ROOT = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
+POOL = os.path.join(ROOT, "tasks_gen", "eval")
+
+
+def _json(path, default):
+    try:
+        return json.load(open(path))
+    except (OSError, ValueError):
+        return default
+
+
+def candidates():
+    out = []
+    for d in sorted(glob.glob(os.path.join(POOL, "G*"))):
+        if not _json(os.path.join(d, "generation.json"), {}).get("accepted"):
+            continue
+        if _json(os.path.join(d, "review.json"), {}).get("decision") == "reject":
+            continue
+        out.append(os.path.basename(d))
+    return out
+
+
+def main():
+    load_env(os.path.join(ROOT, ".env"))
+    ap = argparse.ArgumentParser()
+    ap.add_argument("tasks", nargs="*")
+    ap.add_argument("--model", required=True)
+    ap.add_argument("--base-url")
+    ap.add_argument("--run-base", type=int, required=True)
+    a = ap.parse_args()
+    runs_root = os.path.join(ROOT, "runs", "emp")
+    os.makedirs(runs_root, exist_ok=True)
+    runner = Runner(POOL, runs_root)
+    tasks = a.tasks or candidates()
+    for i, tid in enumerate(tasks):
+        path = os.path.join(POOL, tid, "empirical.json")
+        res = _json(path, {})
+        if a.model in res:
+            continue
+        try:
+            rep, run_dir = runner.run(tid, LlmAgent(a.model, a.base_url), a.run_base + i)
+        except BudgetExceeded as e:
+            print("BUDGET", e, flush=True)
+            break
+        except Exception as e:  # noqa: BLE001  one broken run must not stop the series
+            print(json.dumps({"task": tid, "error": str(e)[:300]}), flush=True)
+            continue
+        h = rep.get("hidden_tests") or {}
+        entry = {"score": (rep.get("score") or {}).get("total"), "parts": rep.get("score"),
+                 "hidden": f"{h.get('passed')}/{h.get('total')}", "tool_calls": rep.get("tool_calls"),
+                 "seconds": rep.get("seconds"), "run_dir": os.path.relpath(run_dir, ROOT)}
+        res[a.model] = entry
+        json.dump(res, open(path, "w"), indent=1)
+        line = dict(task=tid, model=a.model, **{k: entry[k] for k in ("score", "hidden", "tool_calls")})
+        open(os.path.join(runs_root, "results.jsonl"), "a").write(json.dumps(line) + "\n")
+        print(json.dumps(line), flush=True)
+
+
+if __name__ == "__main__":
+    main()