Планирует ограниченные exploratory-запуски в репозиториях deep learning и помогает сравнить кандидатов без заявления о подтверждённом успехе. Изолирует состояние экспериментов от trusted baseline и сохраняет сводки в explore_outputs/.

Возможности

• Подходит для проверки на небольшом подмножестве данных, коротких тренировочных проб, batch sweep, поиска при простаивающем GPU и быстрых transfer-learning проб.
• До запуска ранжирует кандидатов по cost, success_rate и expected_gain; после запуска опирается на фактические результаты.
• Учитывает ограничения бюджета через max_variants и max_short_cycle_runs.
• Помогает задать сетку вариантов, масштаб запусков и метрики для сравнения.
• Отмечает результаты как ограниченные свидетельства и объясняет, когда сравнение кандидатов несправедливо.
• Формирует отчёты о результатах в explore_outputs/.

Когда использовать

• Исследователь явно разрешил exploratory-запуски.
• Нужно быстро проверить гипотезу на малом подмножестве или коротком цикле обучения.
• Нужно сравнить несколько вариантов и ранжировать кандидатов, а не подтвердить trusted baseline.
• Не используйте для консервативной проверки обучения, настройки репозитория или экспериментов без явного разрешения.

Примеры

Задание осей вариантов и масштаба запусков:

variant_axes
subset_sizes
short_run_steps

Настройка критериев выбора и ранжирования:

selection_weights
primary_metric
metric_goal

Файлы результатов:

explore_outputs/CHANGESET.md
explore_outputs/SCIENTIFIC_CHANGELOG.md
explore_outputs/COMPARABILITY_REPORT.md
explore_outputs/TOP_RUNS.md
explore_outputs/status.json

Установка

npx skills add https://github.com/lllllllama/rigorpilot-skills --skill explore-run