Natural Memory NM2.1: 记忆路由器分叉、数据集缺陷修复与全轴评测证据

- 引入 MemoryRouterXL 与 v5/v6 流式多线程训练/编码管线
- 修复 prepare_memory_router_dataset 候选池重建缺陷（mega 家族 3568x 加速，输出逐字节相同）
- 修复 v5 被破坏的拒答与多跳标签（train 未知样本 319 -> 16319，multi_hop 平均正例 1.00 -> 2.00）
- 同存储预算下 V2-128 v6 逐轴 22/22 通过：Top-1 41.12% -> 94.62%，未知拒答 0.00% -> 100.00%
- 记录三条被实测推翻的显然优化（logits_to_keep=1 反而慢 55%、XL 容量未带来收益）
- 记忆手术跨架构可移植性 14/14，读写关闭时与原生模型逐位相同

E2E_FINDINGS.md

@@ -0,0 +1,62 @@
+# 端到端测试发现（回答级，非代理指标）
+
+之前所有结论都建立在**路由器级**评分卡上。本文件记录回答级（写入证据 → 路由器读取 → Qwen 生成 → 打分）的测试，以及它推翻了什么。
+
+## 1. 先说结论
+
+1. **在 v6 评测集上，端到端回答正确率与新路由器无关**：生产路由器与 V2-128-v6 得到**完全相同**的结果（总体 59.55%、可回答 59.38%、未知拒答 60.00%）。原因见 §2。
+2. **路由器确实在一个真实失败模式上产生了产品级收益**：面对没有任何词法重叠的改写问句，旧路由器 **7/16 直接判断"不需要读记忆"**（已知问题被误拒 43.75%），新路由器 **0/16**。这与路由器级指标（已知被误拒率 11.23% → 0.00%）一致。
+3. **但答对率只从 37.50% 提升到 43.75%**，且"答成别的属性"从 18.75% 升到 25.00%。瓶颈已经从"路由"转移到"证据精度与模型用证"。
+4. **路由器的 Top-1 在纯语义改写上是弱的**：`top_k=1` 时 43.75% 答成别的属性。而路由器级评分卡上 paraphrase 类别 Top-1 是 99.65% —— 因为那些用例仍与事实共享属性词，属于词法+语义混合匹配。
+
+## 2. 为什么 v6 端到端结果与路由器无关
+
+在 44 个真实用例（覆盖全部 11 类）上统计检索决策来源：
+
+| 决策来源 | 占比 |
+|---|---:|
+| `evidence_found`（规则化地址/词法命中） | 90.9% |
+| `explicit_unknown_request`（识别"请明确说不知道"） | 9.1% |
+| 需要神经路由器决定记录选择 | 0%（规则已给出候选并命中） |
+
+对同一批用例，生产路由器与 V2-128-v6 给出**逐位相同**的决策（`top` 值 8.367 / 4.168 / 8.536 全同，`page_ids`、`record_ids` 数量全同）。
+
+机制（源码路径）：`MemoryOSV2.read` 先用规则判断（显式未知请求 → 直接弃答），再问路由器的 `need_memory`；**候选页面/记录由库内 `_address_hits` / `_lexical_evidence_hits` 产生**，神经分数只在候选内排序。因此当查询与证据共享属性词时，规则已经解决了问题，路由器不改变结果。
+
+**含义**：v6 评测集的构造方式（问句与事实共享属性措辞）使它对路由器不敏感；用这种数据无法测出路由器的优劣，也无法证明路由器能改善产品。
+
+## 3. 路由器关键测试（规则无法决定）
+
+构造：16 条**属性互异**的个人事实（因此冲突键不同、真实共存，不是互相覆盖）+ 16 个**与所有事实零词法重叠**的改写问句；答案是只出现在一条事实里的随机编码，因此"答成别的属性"可检测。写入 16 条事实 + 4 条无关填充后提问。
+
+| 路由器 | 用例 | 回答正确率 | 答成别的属性 | 触发读取 | 规则命中用例 | 平均注入记录 | 决策来源 |
+|---|---:|---:|---:|---:|---:|---:|---|
+| 生产 128 维(v3) | 16 | 37.50% | 18.75% | **56.25%** | 6/16 | 2.88 | `evidence_found`:9, **`router_abstained`:7** |
+| **V2-128-v6** | 16 | **43.75%** | 25.00% | **100.00%** | 6/16 | 6.38 | `evidence_found`:16 |
+
+已知问题被误拒：**43.75% → 0.00%**（7/16 → 0/16）。
+
+### 注入记录数扫描（V2-128-v6）
+
+| `top_k_records` | 答对率 | 答成别的属性 | 平均注入记录 |
+|---:|---:|---:|---:|
+| 8（默认） | **43.75%** | 25.00% | 6.38 |
+| 3 | 37.50% | 25.00% | 2.63 |
+| 1 | 18.75% | **43.75%** | 1.00 |
+
+减少注入量**使结果更差**：`top_k=1` 时 43.75% 答成别的属性，等于路由器在这些零重叠改写上的 Top-1 大约一半是错的。默认 8 条之所以得分最高，是因为模型能从更大的证据集里自己捞回正确答案——**这不是路由器的功劳，而是它的错误被大证据集掩盖了**。
+
+## 4. 部署约束（实测）
+
+| 路由器 | 能否直接替换生产路由器 | 原因 |
+|---|---|---|
+| V2-128-v6 | **能** | 16 个权重键与分片零差异，可驱动 `PagedMemoryBankV2` |
+| XL-128-v6 | 不能 | 新架构，`MemoryRouterXL` 形状与运行时的 `MemoryRouterV2` 不兼容，需改运行时 |
+| V2-512-v6 | 不能 | 需要把 `memory_router_dim` 128→512 并重建记忆地址 |
+
+## 5. 下一步（按性价比排序）
+
+1. **补训路由器的零重叠改写能力**：当前 paraphrase 训练样本仍共享属性词。用模板化改写（同义词/口语化/指代）生成"零词法重叠"样本，这是 §3 暴露的唯一缺口。
+2. **证据精度而非召回**：默认注入 8 条时错答属性比例 25%，说明应当对注入证据做冲突键去重与属性一致性过滤，而不是单纯扩大 Top-K。
+3. **重建评测集**：让问句与事实不共享属性措辞，否则任何路由器改进都无法在 v6 上体现。
+4. 端到端 v6 全集（220 用例）可作为产品基线，但它测的是规则路径 + 生成能力，不是路由器。