# 第九轮研究准备：多模态、长尾与异常审计

冻结口径：8698目标／8659原图／40细类／9大类；训练6679、组件留出2019。

本阶段只读现有数据和模型输出，不写SQLite、不生成correct事件、不改正式标签。
自动错误分层共覆盖9266个去重候选池，实际确定320项：
classification80项；geometry80项；vlm60项；sensor_geometry40项；complex_scene40项；annotation_ambiguity20项。每个目标只进入一个审计类别，后续需要人工复核。

## 已识别的论文问题

- ToF多域原始尺度并不统一：未标定域不应笼统宣称毫米级精度；先做域级标定和有效深度统计。
- 第八轮细类和大类准确率回退、IoU略升；VLM材质改善但支腿／横梁回退，说明需要逐错误来源分析而不是继续堆叠模型。
- 长尾类别、未知构型、深度无效、遮挡、出视野和非托盘场景应分别作为错误类型和拒识对象。

## 下一阶段实验顺序

1. 320项人工错误审计：分类80、几何80、VLM60、传感器/几何40、复杂场景40、标注歧义20；至少25%双人复核。
2. 多模态基线：强度、深度、有效性、早期融合、双编码器门控融合；输出类别、轮廓、结构锚点、置信度和Unknown。
3. 长尾Prompt：Head/Medium/Tail分层，1/5/10-shot，属性组合Prompt、Prompt ensemble、Balanced Softmax和尾类原型对照。
4. OOD/风险覆盖：未知构型、非托盘、深度异常和复杂遮挡，报告AUROC、FPR95、OSCR、Risk-Coverage和不安全场景漏拒率。
5. 叉取决策：VLM只提供场景证据，几何约束负责硬门控，最终输出可叉取／不可叉取／无法判断；实机成功率另行验证。

详细候选、数据注册、文献定位和来源哈希见本目录JSONL/JSON文件。下一步执行应先完成320项人工审计，再决定关键点和OOD标注协议。
