parameterize dual-axis hard-case weighting for low-risk experiments\n\nConstrain…

…t: Keep the training pipeline behavior stable while exposing humming_like and confused controls through config only\nRejected: Add a brand-new sampler framework first | The smallest useful step is config-driven control on the existing dataset weighting path\nConfidence: high\nScope-risk: narrow\nDirective: Run weight-search experiments through training.sample_type_weights and training.pair_type_weights before attempting broader training-stack refactors\nTested: py_compile passed, train.py dry-run on synthetic_v2 passed, and custom SongPairDataset weighting instantiation produced expected hard_weight output\nNot-tested: End-to-end retraining and metric improvements from new dual-axis weight combinations

@@ -74,21 +74,22 @@
 
 ## 5.5 最新真实 FMA / chromaprint 运行态（2026-06-02）
 
-### 当前最新快照（15:46 UTC）
-
-- 远程同步基线：`93dfa15`（更新前）
-- 当前最重要的新证据：**`v5` 与 `v6` 的 hard-case 差异来源已经被解释清楚**。
-- `v5` = `type-aware hard-case weighting`：
-  - `humming_like top1=0.50`
-  - `confused top1=0.00`
-- `v6` = `sample-level confused-priority weighting`：
-  - `humming_like top1=0.25`
-  - `confused top1=0.25`
-- 这说明：下一轮最值得做的不是继续盲 sweep，而是设计 `humming_like` 与 `confused` 分开控制的双轴策略。
+### 当前最新快照（15:47 UTC）
+
+- 远程同步基线：`7812b58`（更新前）
+- 当前最重要的新证据：**dual-axis hard-case weighting 已在代码中参数化**。
+- 当前可调入口：
+  - `training.sample_type_weights`
+  - `training.pair_type_weights`
+- fresh verification：
+  - `py_compile` 通过
+  - `train.py --dry-run` 通过
+  - 自定义权重实例化检查通过
+- 这说明：下一轮已经可以直接做权重搜索实验，而不需要再先改数据集/训练框架结构。
 - 下一次值得提交的事件：
-  1. 双轴 hard-case weighting / sampling 方案落地
-  2. 其对 `v6` 的 hard-case 指标改善
-  3. dual-track 回归结果稳定
+  1. 首轮 dual-axis 权重实验结果
+  2. `humming_like` 改善且 `confused` 不回退的组合
+  3. dual-track 回归验证结果
 
 
 ## 6. 高风险注意事项

@@ -31,6 +31,15 @@ training:
   gradient_clip: 1.0
   save_every: 10
   log_every: 10
+  sample_type_weights:
+    default: 1
+    humming_like: 3
+    confused: 5
+  pair_type_weights:
+    default: 1.0
+    augmented: 1.4
+    humming_like: 2.5
+    confused: 4.0
 
 engine:
   chromaprint:

@@ -331,6 +331,8 @@ class SongPairDataset(Dataset):
         augment: bool = True,
         segment_strategy: str = "random",
         silence_top_db: int = 30,
+        sample_type_weights: Optional[Dict[str, int]] = None,
+        pair_type_weights: Optional[Dict[str, float]] = None,
     ):
         self.sr = sr
         self.n_mels = n_mels
@@ -342,6 +344,19 @@ class SongPairDataset(Dataset):
         self.silence_top_db = silence_top_db
         self.data_dir = Path(data_dir)
         self.asset_root = self.data_dir.parent if self.data_dir.name == "manifests" else self.data_dir
+        self.sample_type_weights = {
+            "default": 1,
+            "humming_like": 3,
+            "confused": 5,
+            **(sample_type_weights or {}),
+        }
+        self.pair_type_weights = {
+            "default": 1.0,
+            "augmented": 1.4,
+            "humming_like": 2.5,
+            "confused": 4.0,
+            **(pair_type_weights or {}),
+        }
 
         with open(self.data_dir / f"{split}.json") as f:
             metadata = json.load(f)
@@ -358,12 +373,9 @@ class SongPairDataset(Dataset):
         self.sample_song_ids = []
         for sid, items in self.by_song.items():
             item_types = {x.get("type") for x in items}
-            if "confused" in item_types:
-                weight = 5
-            elif "humming_like" in item_types:
-                weight = 3
-            else:
-                weight = 1
+            weight = self.sample_type_weights.get("default", 1)
+            for item_type in item_types:
+                weight = max(weight, int(self.sample_type_weights.get(item_type, weight)))
             self.sample_song_ids.extend([sid] * weight)
         self.song_to_idx = {sid: i for i, sid in enumerate(self.song_ids)}
 
@@ -432,14 +444,9 @@ class SongPairDataset(Dataset):
         else:
             a, b = random.sample(choices, 2)
 
-        type_to_weight = {
-            "confused": 4.0,
-            "humming_like": 2.5,
-            "augmented": 1.4,
-        }
         pair_weights = [
-            type_to_weight.get(a.get("type", "unknown"), 1.0),
-            type_to_weight.get(b.get("type", "unknown"), 1.0),
+            self.pair_type_weights.get(a.get("type", "unknown"), self.pair_type_weights.get("default", 1.0)),
+            self.pair_type_weights.get(b.get("type", "unknown"), self.pair_type_weights.get("default", 1.0)),
         ]
 
         wavs = []

@@ -157,6 +157,8 @@ def main():
         augment=True,
         segment_strategy=args.segment_strategy,
         silence_top_db=args.silence_top_db,
+        sample_type_weights=cfg["training"].get("sample_type_weights"),
+        pair_type_weights=cfg["training"].get("pair_type_weights"),
     )
 
     catalog_dataset = ACRDataset(

+## 2026-06-02 15:47 UTC / dual-axis hard-case weighting is now configurable in code
+
+- 已把 `SongPairDataset` 中的 hard-case 采样权重与 pair loss 权重从硬编码改为配置驱动
+- 代码变更：
+  - `src/data/dataset.py`：新增 `sample_type_weights` / `pair_type_weights` 参数
+  - `train.py`：从 `cfg["training"]` 透传上述配置
+  - `configs/default.yaml`：新增默认 dual-axis hard-case 权重配置
+- fresh verification：
+  - `python -m py_compile train.py src/data/dataset.py` 通过
+  - `train.py --data data/synthetic_v2 --device cpu --epochs 1 --batch-size 4 --dry-run` 通过
+  - 自定义权重实例化检查通过：
+    - `dataset_len=96`
+    - `unique_songs=16`
+    - `sample_multiplicity_minmax=6/6`
+    - 示例 `hard_weight=[5.0, 1.0]`
+- 结论：下一轮可直接在不改代码结构的前提下，实验 `humming_like` / `confused` 的双轴 weighting 组合
+
 ## 2026-06-02 15:46 UTC / v5-v6 hard-case difference is now causally explained
 
 - 基于仓库内历史实验记录，补齐了 `v5` 与 `v6` hard-case 表现差异的来源解释

@@ -272,3 +272,28 @@
 
 - 现在已经不仅知道 `v5/v6` 哪个更强，还知道“为什么”。
 - 下一轮应把 `humming_like` 与 `confused` 分开建模或分开加权。
+
+## 本次追加交付（2026-06-02 15:47 UTC）
+
+### 新增代码能力
+
+| 文件 | 变更 |
+|---|---|
+| [../acr-engine/src/data/dataset.py](../acr-engine/src/data/dataset.py) | hard-case 采样权重与 pair 权重改为配置驱动 |
+| [../acr-engine/train.py](../acr-engine/train.py) | 训练链路透传 dual-axis 权重配置 |
+| [../acr-engine/configs/default.yaml](../acr-engine/configs/default.yaml) | 增加 `sample_type_weights` / `pair_type_weights` 默认配置 |
+
+### 当前最重要的 fresh evidence
+
+- `python -m py_compile train.py src/data/dataset.py`：通过
+- `train.py --data data/synthetic_v2 --device cpu --epochs 1 --batch-size 4 --dry-run`：通过
+- 自定义权重实例化检查：
+  - `dataset_len=96`
+  - `unique_songs=16`
+  - `sample_multiplicity_minmax=6/6`
+  - `hard_weight=[5.0, 1.0]`
+
+### 结论
+
+- dual-axis hard-case weighting 已从“设计建议”升级为“代码中可直接调参实验”的状态。
+- 下一轮可直接围绕 `sample_type_weights` 与 `pair_type_weights` 做最小实验。

+## 本次交付包追加更新（2026-06-02 15:47 UTC）
+
+### 交付结论
+
+当前最新里程碑已经从“知道该做 dual-axis”推进到 **dual-axis hard-case weighting 已在代码中参数化**：
+- 远程基线当前为：`7812b58`（更新前）
+- `sample_type_weights` 与 `pair_type_weights` 已可配置
+- 训练 dry-run 已通过
+- 因此下一轮可直接做最小调参实验，而不是再先改代码结构
+
+### 当前最新事实
+
+#### 代码实现位置
+- `src/data/dataset.py`：
+  - `sample_type_weights` 控制 song-level 采样重复度
+  - `pair_type_weights` 控制 pair-level `hard_weight`
+- `train.py`：从 `training` 配置透传
+- `configs/default.yaml`：提供默认 dual-axis 配置
+
+#### fresh verification
+- `python -m py_compile train.py src/data/dataset.py`：通过
+- `train.py --data data/synthetic_v2 --device cpu --epochs 1 --batch-size 4 --dry-run`：通过
+- 自定义权重实例化检查：
+  - `dataset_len=96`
+  - `sample_multiplicity_minmax=6/6`
+  - `hard_weight=[5.0, 1.0]`
+
+### 当前判断
+
+- 现在已经具备一个最小、低风险、可反复实验的 dual-axis 入口。
+- 下一阶段最值得做的是直接搜索 `humming_like` / `confused` 的权重组合，而不是继续做只读分析。
+
+---
+
 ## 本次交付包追加更新（2026-06-02 15:46 UTC）
 
 ### 交付结论

@@ -5,24 +5,22 @@
 
 ## 一页结论
 
-### 最新交付快照（2026-06-02 15:46 UTC）
-
-- 当前远程同步基线：`93dfa15`（更新前）
-- 当前最重要的新事实：**`v5` 与 `v6` 的 hard-case 差异来源已经被解释清楚**
-- `v5`：`type-aware hard-case weighting`
-  - `humming_like top1=0.50`
-  - `confused top1=0.00`
-- `v6`：`sample-level confused-priority weighting`
-  - `humming_like top1=0.25`
-  - `confused top1=0.25`
-- 结论：
-  - `v5` 更偏向提升 `humming_like`
-  - `v6` 更偏向提升 `confused`
-  - 下一轮应设计双轴 hard-case weighting / 分治策略，而不是继续单轴加权
+### 最新交付快照（2026-06-02 15:47 UTC）
+
+- 当前远程同步基线：`7812b58`（更新前）
+- 当前最重要的新事实：**dual-axis hard-case weighting 已在代码中参数化**
+- 新增可调入口：
+  - `training.sample_type_weights`
+  - `training.pair_type_weights`
+- fresh verification：
+  - `py_compile` 通过
+  - `train.py --dry-run` 通过
+  - 自定义权重实例化检查通过
+- 结论：下一轮不需要先改代码结构，已经可以直接做最小调参实验。
 - 新 session 第一优先级：
-  1. 设计 `humming_like` / `confused` 分开控制的 weighting 或 sampling
-  2. 复用现有 `v6` 主基线做最小改动实验
-  3. 用 real-path clean + synthetic hard-case 双轨回归
+  1. 在 `v6` 主基线上搜索 dual-axis 权重组合
+  2. 目标优先提升 `humming_like top1`，同时不丢掉 `confused top1`
+  3. 用 real-path clean + synthetic hard-case 双轨复测
 
 ### 最新可观测性修复（2026-06-02 15:18 UTC）