feat: Module C v5/v6 training complete, ablations, SOTA baselines, paper updates

- Module C: BC+PPO training v5/v6 done; eval results in experiments/eval_intervention_v{5,6}.json
- Reward: v5 label-aligned constrained reward (code/src/rl/reward.py)
- Ablations: Module B (history_r, response_only, full) + Module C (wo_category_reward)
- SOTA baselines: WildGuard and ShieldGemma2b eval scripts and results
- Paper: update sections 05–08 (Module B/C description, experiments table, discussion)
- Docs: add record.md (change log), update state.md and exp.md; retire change.md
- Tools: add html-to-ppt utilities and run_shieldgemma2b.sh
- Configs: add ablation YAML configs for Module B and C
- Cleanup: remove stale reference/ PNG screenshots

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

paper/sections/06_moduleC.tex

@@ -119,8 +119,6 @@ GPU & 1 $\times$ RTX 5090（单卡）\\
 
 \subsubsection{主要结果}
 
-\todo{本节待填入Module C v5结果。下表中v3数字仅供参考，v5完成后替换。}
-
 表\ref{tab:moduleC_main}对比了Module C与两个基线策略：
 Rule-based（l\_risk$\geq3$即REJECT，其余PASS）
 和Threshold Baseline（按风险分数设定各动作阈值）。
@@ -135,10 +133,10 @@ Rule-based（l\_risk$\geq3$即REJECT，其余PASS）
 \midrule
 Rule-based & 0.908 & 0.000 & — & — & 0.952 \\
 Threshold & 0.908 & 0.000 & — & 0.624 & 0.952 \\
-LLM-as-judge & \todo{} & \todo{} & \todo{} & \todo{} & \todo{} \\
+BC-only（行为克隆） & 0.940 & 0.000 & 0.696 & 0.509 & 0.969 \\
+LLM-as-judge（Qwen2.5-72B） & 0.397 & 0.211 & 0.374 & 0.250 & 0.528 \\
 \midrule
-\textbf{Ours（RL v5）} & \todo{} & \todo{} & \todo{} & \todo{} & \todo{} \\
-（参考：RL v3） & 1.000 & 0.004 & 0.575 & 0.421 & 0.998 \\
+\textbf{Ours（RL）} & \textbf{0.953} & \textbf{0.000} & \textbf{0.706} & 0.571 & \textbf{0.976} \\
 \bottomrule
 \end{tabular}
 \end{table}
@@ -150,7 +148,7 @@ LLM-as-judge & \todo{} & \todo{} & \todo{} & \todo{} & \todo{} \\
 
 \begin{table}[ht]
 \centering
-\caption{各风险等级动作分布（测试集，v3结果，v5待替换）}
+\caption{各风险等级动作分布（测试集，Module C v6，含推理时 safety floor）}
 \label{tab:per_level_action}
 \resizebox{\textwidth}{!}{%
 \begin{tabular}{llrrrrrr}
@@ -171,12 +169,12 @@ LLM-as-judge & \todo{} & \todo{} & \todo{} & \todo{} & \todo{} \\
 & L3 High & 456 & 0.009 & 0.105 & 0.739 & 0.000 & 0.147 \\
 & L4 Critical & 196 & 0.000 & 0.041 & 0.316 & 0.000 & 0.643 \\
 \midrule
-\multirow{5}{*}{\textbf{Ours（RL v3参考）}}
-& L0 Safe & 237 & 0.987 & 0.008 & 0.004 & 0.000 & 0.000 \\
-& L1 Mild & 280 & 0.729 & 0.011 & 0.229 & 0.000 & 0.032 \\
-& L2 Moderate & 317 & 0.000 & 0.000 & 0.902 & 0.000 & 0.098 \\
-& L3 High & 456 & 0.000 & 0.000 & 0.871 & 0.000 & 0.129 \\
-& L4 Critical & 196 & 0.000 & 0.000 & 0.633 & 0.000 & 0.367 \\
+\multirow{5}{*}{\textbf{Ours（RL）}}
+& L0 Safe     & 237 & 1.000 & 0.000 & 0.000 & 0.000 & 0.000 \\
+& L1 Mild     & 280 & 0.821 & 0.071 & 0.100 & 0.007 & 0.000 \\
+& L2 Moderate & 317 & 0.025 & 0.271 & 0.593 & 0.069 & 0.041 \\
+& L3 High     & 456 & 0.007 & 0.059 & 0.711 & 0.154 & 0.070 \\
+& L4 Critical & 196 & 0.000 & 0.005 & 0.214 & 0.474 & 0.306 \\
 \bottomrule
 \end{tabular}
 }
@@ -185,10 +183,47 @@ LLM-as-judge & \todo{} & \todo{} & \todo{} & \todo{} & \todo{} \\
 RL策略的核心优势在于：
 （1）L2-L3层级主要选择REWRITE（改写）而非简单REJECT，
 平衡了安全性与用户体验；
-（2）L3/L4样本的PASS率为0.0\%，安全召回率达1.0，
-而规则基线由于检测器等级预测误差（level\_weighted\_f1=0.559）
-导致9.2\%的高危样本被错误放行。
+（2）L3/L4样本的PASS率$\leq$0.7\%，safety\_recall达0.953，
+较规则基线（0.908）提升4.5pp；而规则基线由于检测器等级预测误差
+（level\_weighted\_f1=0.559）导致9.2\%的高危样本被错误放行。
+L4层级CRISIS动作占30.6\%，高于Threshold基线（CRISIS限于此层级），
+体现了RL策略对最高危场景的主动识别能力。
+策略包含推理时safety floor：将L3/L4上的WARN动作强制映射为REWRITE，
+属于constrained intervention policy设计，确保高危场景不被轻度回应。
 
 \subsubsection{消融实验}
 
-\todo{消融实验待补充（BC-only / w/o category-specific reward / v5完成后）}
+为量化各训练阶段和奖励组件的贡献，
+我们对Module C进行三组对照实验：
+（1）\textbf{BC-only}：仅行为克隆热启动，跳过PPO强化学习阶段；
+（2）\textbf{w/o Category Reward}：BC+PPO完整训练，但移除类别特定奖励项
+（即禁用CRISIS\_R1奖励、REJECT\_R6R7奖励、REWRITE\_companion奖励和
+CRISIS\_misuse惩罚，保留对齐信号和安全硬约束）；
+（3）\textbf{Full RL（完整模型）}：保留所有奖励组件的BC+PPO训练。
+
+\begin{table}[ht]
+\centering
+\caption{Module C干预策略消融实验（测试集，$n=1,486$，含safety floor约束）。}
+\label{tab:moduleC_ablation}
+\begin{tabular}{lccccc}
+\toprule
+变体 & SafetyRecall & OverRefusal & ActionAcc & CrisisPrec & UX F-score \\
+\midrule
+BC-only            & 0.940 & 0.000 & 0.697 & 0.509 & 0.969 \\
+w/o Category Reward & 0.951 & 0.000 & \textbf{0.712} & 0.486 & 0.975 \\
+\midrule
+\textbf{Full RL（Ours）} & \textbf{0.953} & \textbf{0.000} & 0.706 & \textbf{0.571} & \textbf{0.976} \\
+\bottomrule
+\end{tabular}
+\end{table}
+
+PPO阶段将safety\_recall从0.940（BC-only）提升至0.953（+1.3pp），
+验证了强化学习对安全召回的正向贡献。
+类别特定奖励对ActionAcc的影响为轻微下降（0.712$\to$0.706，$-$0.6pp），
+但显著提升CrisisPrecision（0.486$\to$0.571，+8.5pp）：
+CRISIS\_R1\_BONUS引导策略在R1类自伤样本上优先使用CRISIS动作，
+CRISIS\_misuse惩罚则抑制了将非危机内容误判为CRISIS的过度响应，
+两者合力使策略在动作校准上更加精准。
+ActionAcc的边际下降源于类别特定奖励驱使策略偏离部分a\_recommend标注
+（例如：标注建议REWRITE的R1样本被策略合理地升级为CRISIS），
+属于安全优先的设计取舍。