竞技场规则

这是 Arena Protocol v1（标识符 arena-v1）。参赛模型在不变的参考协议下训练和评测；这些规则只补充约束正式运行之前的研究，以及参赛作品必须披露的内容。机器可读的取值在 nexttransformer/arena.py 中。

本版本的竞技场基于信任。参赛者自己完成研究和正式训练；维护者默认不重跑参赛作品。锁定的数据、固定的随机种子、可恢复的训练状态、公开的检查点和完整的披露，让结论可以被检验。

参赛作品

一个参赛作品由一个研究者和它产出的成果组成。

研究者是一个或多个 LLM、框架（或无），以及参与其中的人和他们的参与程度。
成果是一个已登记的方法及其已准入的配置，训练完成后还有一次正式运行。
每个参赛作品有一张披露卡片 results/arena/<entry>.json（字段）。
一个方法版本最多只有一次计分的运行。准入之后改变方法语义，就成为新的方法 id。

参赛作品可以修改什么

可以添加	不得修改
方法插件 `nexttransformer/methods/<method>/`	训练契约固定的任何内容：数据、分词器、打包、预算、批量、调度、种子、评测时间点
校准后的 `configs/<family>/<method>.json` 及其在 `evidence/costs/` 下的证明集	`nexttransformer/{protocol,evaluation,runtime,training,checks,native}/` 和命令行入口
`tests/` 下的测试	`nexttransformer/models/backbone.py` 和 `nanochat/`
模型卡片 `results/methods/<method>.json` 和方法来源说明条目	已有的运行记录、证明和审计
运行记录、`evidence/audits/` 下的审计，以及运行说明页	协议各页、本规则、竞技场工具、CI 和网站
参赛作品自己的披露卡片	其他参赛作品的卡片

插件不需要修改共享模型文件；如果某个方法确实需要，由维护者审查，并且会让所有运行该文件的方法的证明失效。python -m nexttransformer.arena --scope origin/main 检查这些规则，python -m nexttransformer.protocol.fingerprint 确认每个已发布方法仍与其证明一致。

研究

任意规模、任意算力、任意数量的实验。 研究不受任何限制；所有研究都要披露。
用 dev 划分或训练损失做选择。 dev 划分是 shard_06541.parquet，即排序后的最后一个训练分片；正式数据流永远读不到它。
验证分片和 CORE-22 是保留的。 shard_06542.parquet 和 CORE-22 任务属于正式运行。不要用它们在候选、设置或种子之间做选择。
允许使用文献和互联网。 需要披露是否使用。重新发现已发表的方法也是有效的参赛作品；卡片需写明最接近的已有方法及区别。
研究永远不提供权重。 正式运行从头开始。

参赛：两个 pull request

Pull request	包含	合并之后
1. 准入	方法插件、在 ±1% 内准入的配置、证明集、测试、模型卡片、`status: admitted` 的披露卡片	参赛作品显示为训练中。合并日期就是公开的预注册：方法在任何正式结果出现之前就已冻结。
2. 结果	`export_run` 生成的运行记录（完整、累计审计 `matched`）、其审计、运行说明页，以及更新为 `status: complete` 并附检查点和日志链接的卡片	运行带着来源信息进入主排行榜。

正式运行使用已准入的配置：记录中的 model_hash 必须等于配置的 model_hash。每次正式启动都计入 formalAttempts，包括失败的启动；失败的启动记录在运行说明中。

披露

卡片至少记录：

研究者： 每个 LLM 及其版本、框架及其版本（或 none）、参与的人，以及下面的参与程度。
研究： 时间段、训练过的候选数、正式尝试次数、GPU 小时（未计量时为 null）、是否使用互联网，以及选择信号。
新颖性： 最接近的已有方法及区别。
成果： 最终检查点和训练日志（complete 时必需）；鼓励提供研究轨迹。

缺失的测量值记为 null，永远不记为 0。

级别	人类参与程度
L0	完全自主：人只启动任务、提供算力，直到提交前都不干预
L1	仅运维：人修复环境、集群或启动问题，不做任何研究决策
L2	人在 agent 的提议中做选择，或给出方向性提示
L3	人主导想法或编写方法代码；agent 辅助

状态与核验

状态	含义
`admitted`	第 1 个 pull request 已合并；正式运行待完成
`complete`	正式运行已发布、完整且匹配；参赛作品在排行榜上排名
`legacy`	早于本协议或不符合本协议；附完整披露和原因展示，永远不作为竞技场参赛作品排名
`retracted`	已撤回或被认定无效；保留可见并注明原因，永远不排名

每张卡片还说明结果由谁产出：self-reported（默认）、reproduced（独立方重跑了正式运行，或重放了其中一段前缀并与记录的训练损失一致），或 maintainer。

排名

竞技场参赛作品与其他所有运行在主排行榜上按相同规则排名：使用第 46,875 次更新时的实测值，不做插值，不完整的运行不排名。排行榜标注每个运行的来源，并可以按来源筛选。研究预算只披露、不控制，因此研究者之间的比较是描述性的。

检查

python -m nexttransformer.arena --check 校验每张卡片及其指向的记录；CI 会运行它。
python -m nexttransformer.arena --scope origin/main 把 pull request 改动的文件分为允许、需要审查和禁止三类。
已有的检查仍然适用：export_run --check、配置准入和测试套件。

版本

修改这里的任何规则都会产生 arena-v2。卡片保留它们参赛时的版本，已有的参赛作品永远不会被改写。