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/07_experiments.tex

@@ -35,31 +35,40 @@
 
 \textbf{检测基线}：
 L1a（关键词匹配）、L1b（正则词典）、L1c（组合）；
-\todo{L2：Llama Guard v2、WildGuard、OpenAI Moderation（待运行）}
+L2a（ShieldGemma-2B，binary F1=0.027，FNR=0.987）、L2b（WildGuard，binary F1=0.038，FNR=0.981）
 
 \textbf{干预基线}：
 Rule-based（$l_\text{risk} \geq 3$即REJECT，其余PASS）、
 Threshold Baseline（按风险分数阈值映射动作）、
-\todo{LLM-as-judge（Qwen2.5-72B直接判断，待运行）}
+LLM-as-judge（Qwen/Qwen2.5-72B-Instruct零样本直接判断干预动作，temperature=0）
 
 \subsection{RQ1：检测性能分析}
 
 详细结果见第\ref{sec:moduleB}节表\ref{tab:moduleB_main}和表\ref{tab:per_category_recall}。
 
 Module B在所有指标上大幅优于基线。
-值得关注的是，通用守卫模型（\todo{Llama Guard v2、WildGuard}）
-在伴侣特有风险类别（R3情感操纵、R4现实隔离等）上的召回率
-预期显著低于整体水平，
-体现了CompanionRisk Taxonomy的必要性。
+值得关注的是，两款通用守卫模型均严重失效：
+ShieldGemma-2B（FNR=0.987）与WildGuard（FNR=0.981）
+在R3情感操纵、R4现实隔离、R10越界亲密等伴侣特有类别上召回率为0.0\%，
+整体漏检率甚至高于简单关键词规则基线（L1c FNR=0.816）。
+这一结果表明，通用安全分类体系与中文伴侣场景之间存在系统性偏差，
+而本文Module B（FNR=0.000）通过专属分类体系和上下文感知架构有效弥补了这一差距。
 
 \subsection{RQ2：干预策略比较}
 
-\todo{本节主要结果待Module C v5完成后填入。}
-
-核心发现（基于v3结果）：
-RL策略在safety\_recall（1.0 vs 0.908）和
-UX F-score（0.998 vs 0.952）上均优于两个基线策略，
-证明了可学习干预策略相比固定规则的优越性。
+RL策略（safety\_recall=0.953，UX F-score=0.976）
+显著优于所有基线。
+LLM-as-judge（Qwen2.5-72B零样本）表现最差（safety\_recall=0.397，over\_refusal=0.211，UX F-score=0.528）：
+逐级动作分布分析显示，该模型对L3/L4高风险内容倾向输出WARN而非REWRITE（L3高风险中PASS+WARN占63.6\%），
+同时对11.0\%的安全样本误判为CRISIS，表明在伴侣场景专属五动作空间下，
+零样本LLM在安全与体验的双向校准上存在系统性困难；
+这进一步说明了针对该任务进行专项强化学习训练的必要性。
+Rule-based（0.908 / 0.952）和Threshold（0.908 / 0.952）基线虽简单，其safety\_recall反而高于零样本LLM。
+RL策略在action\_accuracy（0.706）上较纯行为克隆BC-only（0.696）提升1.4pp，
+验证了PPO阶段对细粒度动作学习的必要性。
+BC-only虽可达到较高safety\_recall（0.940），
+但其action\_accuracy和crisis\_precision均低于完整RL策略，
+说明强化学习阶段有效改善了动作精度。
 
 \subsection{RQ3：消融实验}