feat: 新增翻译模型横向评测工具链与窗口级评测集

为评估"更便宜的 LLM 能否替换 llm-translate 默认模型"新增真实数据驱动的评测工具（不 mock 模型，直接调用生产节点实现，模型仅作为 params 变量）： - scripts/build_translate_eval.py：把 ocr-subtitle 的中文烧录字幕产物与 learn-translate 的日语 whisper ASR 按时间配对，产出候选池； - scripts/build_segment_eval.py：改为**窗口级**配对（一条中文基准字幕 + 其时间窗内 1-3 条日语 cue）。逐条配对不可用——烧录字幕是按屏幕合并的整行，与 whisper 的 cue 切分不同，直接逐条对照会被基准错位污染； - scripts/bench_translate_models.py：对每个模型跑完整片、记录单次调用耗时与 token、输出窗口级多模型对照表供人工 review；VL 模型需剔除 enable_thinking（Qwen3-VL 不接受该参数，生产代码固定携带）； - scripts/run_translate_bench_queue.py：批量评测队列； - tests/test_translate_model_bench.py：评测数据契约与对照输出一致性测试（含先红后绿修复：stdout 与 markdown 两套输出格式漂移）； - testdata/translate_eval/：候选池、窗口池与 124 窗口人工评测集资产。评测结论见 data/experiments/translate_models/REPORT.md（gitignored）。
2026-09-13 10:15:23 +08:00
parent f99f8de171
commit 8963afa771
8 changed files with 2585 additions and 0 deletions
@@ -0,0 +1,131 @@
+"""翻译模型横向评测的数据契约与对照逻辑测试（真实数据，不 mock 模型）。
+
+背景
+----
+为评估"更便宜的 LLM 能否替代当前 Qwen/Qwen3.6-35B-A3B 做 llm-translate"，
+新增了三件评测工具（scripts/ 下，都是真实数据驱动）：
+
+- `scripts/build_translate_eval.py`：把 run_479b411f299d（ocr-subtitle）的
+  烧录字幕中文产物与 run_d386ccf124f7（learn-translate）的日语 whisper ASR
+  按时间配对，产出候选池；
+- `scripts/build_segment_eval.py`：把配对改成**窗口级**（一条中文基准字幕 +
+  其时间窗内覆盖的 1-3 条日语 cue），产出可用窗口；
+- `scripts/bench_translate_models.py`：调用**生产翻译实现**（nodes/llm.py）
+  对每个模型跑完整片，并在窗口级打印各模型译文对照供人工 review。
+
+本测试验证上述工具的**数据契约与对照逻辑**：评测集必须真实可用（时间轴自洽、
+基准非空、可定位到真实 ASR 条目），对照输出必须包含全部模型各自的行。真实
+产物缺失时整组跳过（与 tests/realdata_contract.py 同一约定）。
+"""
+
+from __future__ import annotations
+
+import importlib.util
+import json
+import subprocess
+import sys
+from pathlib import Path
+
+import pytest
+
+# 仓库根（tests/ 的上一级）。
+WORKSPACE = Path(__file__).resolve().parent.parent
+EVAL_SET = WORKSPACE / "testdata/translate_eval/eval_set.jsonl"
+WINDOWS = WORKSPACE / "testdata/translate_eval/windows.jsonl"
+JA_SRT = WORKSPACE / "data/storage/runs/run_d386ccf124f7/steps/asr/transcript.srt"
+BENCH = WORKSPACE / "scripts/bench_translate_models.py"
+# 评测中间产物目录（gitignored），各模型跑完后才存在。
+EXPERIMENT_ROOT = WORKSPACE / "data/experiments/translate_models"
+
+
+def _load(name: str, path: Path):
+    """按文件路径加载 scripts 下的模块（scripts 不是包，无法 import）。"""
+    spec = importlib.util.spec_from_file_location(name, path)
+    module = importlib.util.module_from_spec(spec)
+    assert spec is not None and spec.loader is not None
+    spec.loader.exec_module(module)
+    return module
+
+
+def _seconds(ts: str) -> float:
+    """SRT 时间戳 -> 秒。"""
+    hours, minutes, rest = ts.split(":")
+    secs, millis = rest.split(",")
+    return int(hours) * 3600 + int(minutes) * 60 + int(secs) + int(millis) / 1000
+
+
+def test_eval_set_is_real_and_self_consistent() -> None:
+    """评测集必须来自真实产物：条数充足、基准非空、时间轴可定位真实日语 cue。
+
+    这是"人工 review 的样本必须真实可核对"的硬约束——如果窗口的时间区间里
+    找不到对应日语 cue，说明窗口是用假数据拼的，或时间轴与 ASR 不同源。
+    """
+    if not EVAL_SET.is_file() or not JA_SRT.is_file():
+        pytest.skip("评测集或日语 ASR 产物缺失（先跑 build_segment_eval.py）")
+
+    from nodes.srt import parse_srt
+
+    windows = [json.loads(line) for line in EVAL_SET.read_text(encoding="utf-8").splitlines()]
+    assert len(windows) >= 100, "评测集窗口过少，不足以支撑人工质量结论"
+
+    ja_cues = parse_srt(JA_SRT.read_text(encoding="utf-8"))
+    for window in windows:
+        assert window["ja_lines"], f"窗口 {window.get('id')} 没有日语原文"
+        assert window["zh_ref"].strip(), f"窗口 {window.get('id')} 基准中文为空"
+        # 基准中文必须位于窗口时间区间内（真实配对），且窗口跨度合理。
+        assert _seconds(window["zh_start"]) < _seconds(window["zh_end"])
+        assert _seconds(window["zh_end"]) - _seconds(window["zh_start"]) <= 15.0
+        # 每条日语 cue 都能在真实 ASR 里按时间戳找到（同源校验）。
+        for line in window["ja_lines"]:
+            assert any(cue.text == line for cue in ja_cues), f"日语行不在真实 ASR 中: {line!r}"
+
+
+def test_window_builder_matches_production_parser() -> None:
+    """窗口构建器与生产 SRT 解析器结果一致（不另写一套 SRT 规则）。
+
+    用 window.jsonl 的候选池与当场重算的窗口对比：同一输入必须得到同一数量与
+    同一序列，避免"导出一次、之后代码改动悄悄漂移"。
+    """
+    if not WINDOWS.is_file() or not JA_SRT.is_file():
+        pytest.skip("候选池缺失（先跑 build_segment_eval.py --export）")
+
+    module = _load("build_segment_eval", WORKSPACE / "scripts/build_segment_eval.py")
+    zh_srt = WORKSPACE / "data/storage/runs/run_479b411f299d/steps/filter/filtered.srt"
+    if not zh_srt.is_file():
+        pytest.skip("中文基准产物缺失（ocr-subtitle 任务未产出 filtered.srt）")
+
+    rebuilt = module.build_windows(JA_SRT, zh_srt)
+    exported = [json.loads(line) for line in WINDOWS.read_text(encoding="utf-8").splitlines()]
+    assert len(rebuilt) == len(exported)
+    assert [(w["zh_start"], tuple(w["ja_lines"])) for w in rebuilt] == [
+        (w["zh_start"], tuple(w["ja_lines"])) for w in exported
+    ]
+
+
+def test_bench_compare_prints_every_model_for_shared_window() -> None:
+    """对照表必须为每个模型打印同一窗口的译文（人工 review 的数据来源）。
+
+    用两个真实已跑完的模型产物（基线 + 本地 30B）生成对照表，断言：任意窗口
+    区块里两个模型都出现且行数一致——否则 review 会因缺行而漏判。
+    """
+    baseline = EXPERIMENT_ROOT / "_baseline/steps/cn.srt"
+    other = EXPERIMENT_ROOT / "local-qwen3-30b-a3b/steps/cn.srt"
+    if not EVAL_SET.is_file() or not baseline.is_file() or not other.is_file():
+        pytest.skip("评测集或某个模型产物缺失（先跑 bench_translate_models.py run）")
+
+    result = subprocess.run(
+        [sys.executable, str(BENCH), "compare", "--tags", "_baseline", "local-qwen3-30b-a3b",
+         "--limit", "5"],
+        cwd=WORKSPACE, capture_output=True, text=True, check=True,
+    )
+    output = result.stdout
+    assert "基准中文(OCR)" in output
+    blocks = [b for b in output.split("\n### ") if b.strip()]
+    assert blocks, "对照表没有任何窗口区块"
+    for block in blocks:
+        assert "- _baseline:" in block
+        assert "- local-qwen3-30b-a3b:" in block
+        # 两个模型的行数（以 ｜ 分隔的译文数）必须一致。
+        base_line = next(l for l in block.splitlines() if l.startswith("- _baseline:"))
+        other_line = next(l for l in block.splitlines() if l.startswith("- local-qwen3-30b-a3b:"))
+        assert base_line.count("｜") == other_line.count("｜")