M79：Financial Model Lab：跑通最小核心路径

内容类型：预习教材（不代表已完成）
日期：2026-11-10
阶段：P1 · AI Model Engineering 90
周次：W12
节奏：周二最小实现
状态：教材已备；学习未完成
标签：minimum-path vertical-slice baseline fixture reproducibility

一句话定义

最小核心路径是从一个输入样本经过预处理、规则/模型、验证到结构化输出的完整纵切面，宁可小而闭环，也不堆积尚未连接的组件。

学习目标

1. 按 M78 范围让一条 baseline 或核心计算路径闭环。
2. 明确每个输入、转换、输出和失败状态。
3. 使用合成、公开或许可明确的数据，不引入敏感信息。
4. 把可复现记录与模型结果分开，未运行不填结果。

核心知识

1. 纵切面优于横向铺开

横向铺开可能同时准备数据、模型、页面、API，却没有任何样本走完全程。纵切面只支持最小 schema 和少量样本，但能暴露接口不一致：日期何时规范化、缺失字段如何表达、score 由谁转 decision、证据在哪里保存。

四个场景的最小路径示例：AML evidence 可为“合成交易→透明规则分数→证据列表→复核/不复核”；支付争议可为“合成收据→字段抽取→完整性规则→状态”；文档分类可为“短文本/合成页→特征→类别+拒答”；钱包风险可为“公开合成图特征→baseline score→来源证据→调查优先级”。

2. 输出契约先于模型

建议统一包含 sample_id、prediction/fields、score（适用时）、evidence、status、validation_errors、model_or_rule_version。模型不应直接返回不可解析的最终业务决定。若 A 范围不运行代码，也应把这份契约写清。

3. 可复现的最小记录

记录数据来源与版本、样本构造规则、切分 ID、关键配置、随机 seed（若使用）和运行命令/环境。不要记录 secret。一次运行失败可以写错误信息和环境事实，但不能补写期望指标。

4. 先过拟合一个小样本不等于验证泛化

对神经方法，可先确认单批次 loss 可下降或输出 shape 正确，这只是 plumbing check。对规则，可手算一个正常、一个缺失、一个冲突样本。这里的“跑通”证明接口连接，不证明模型有效。

机制与推导

把路径写成纯函数链更容易定位：load_fixture → validate_input → transform → score/extract → attach_evidence → verify → serialize。每一步定义输入输出；错误要么变成显式状态，要么抛出可诊断异常，不能静默填默认正确值。

先从 3～10 个样本开始：正常样本、关键缺失、冲突/OOD 至少各一个。若 B/C 范围，先跑 baseline；第二种方法留给 M80。若 baseline 尚未闭环，不要提前集成 LoRA/VLM。

最小练习或观察步骤

1. 从 M78 一页说明提取最小 schema。
2. 准备少量 fixture 和真值，不读取测试未来信息。
3. 手算一条正常与一条失败路径。
4. 实现 baseline/核心计算及结构化输出。
5. 加入至少一个 verifier 或 schema 校验。
6. 记录命令、配置和实际状态；未运行则完成 A 范围流程图。
7. 时间盒结束就停止，把非必要项移回“不做”。

常见误区

• 因为样本少而省略 schema 与真值。
• 同时实现 baseline 和多种高级模型。
• 把单样本跑通当成性能结论。
• 失败时填默认值使路径“看起来成功”。
• 将 secret、真实文档或模型缓存提交到仓库。
• 为了做 UI 延误核心数据与错误路径。

金融与 Web3 场景连接

高风险流程的最小路径必须保留证据来源和时间。AML 告警输出应是调查优先级，不是犯罪判断；链上标签应带来源、链和有效时间；支付材料抽取要保留页码/原文；文档分类低置信度可路由人工，而不是硬分一类。

自检问题

1. 什么使我的实现成为“完整纵切面”？
2. 输出契约包含哪些失败与证据字段？
3. 单样本跑通能证明什么，不能证明什么？
4. 哪个组件是当前最小路径之外的？
5. 运行记录如何避免泄露 secret？

专业课程对齐

• Full Stack Deep Learning：对应数据准备、训练、评估和部署的最小端到端路径；重点是让一个样本从输入契约走到可检查输出，而非横向完成所有组件。
• Stanford CS229：对应损失、优化与 baseline；用于选择足够简单的模型并理解“小样本可拟合”只是在检查代码连通性。
• Stanford CS329S：对应可复现管线、训练—服务一致性和测试；用于记录数据版本、切分、配置、随机种子及失败状态。

深入学习提示

先按 FSDL 画一条最小纵切面：加载一小份非敏感或合成数据 → 按 M78 契约验证 → 特征/表示 → baseline → 指标与一条样本级证据；再用 CS229 核对损失与模型输出是否匹配，最后用 CS329S 检查复现信息。第一步可尝试在极小训练子集上过拟合，以发现标签错位、梯度不通或预处理问题，但必须标注它不是泛化证据；随后才在固定验证集跑一次基线。记录代码/数据版本、seed、超参数、运行环境、输入 schema、输出 schema 和错误码。若环境或算力不足，允许完成 dry run、伪输入和手算预期，不补写运行结果。核心标准不是界面或模型规模，而是任一预测都能追到其输入、版本、处理步骤和指标计算。

学后填写区

• 最小路径图或文件位置：
• fixture 与输出契约：
• 实际运行状态（未运行请注明）：
• 当前已知失败路径：
• 被移回不做清单的内容：