Measure the last key-test scenario instead of writing it off

Scenario 7 claimed nothing was observable. It is: compiling the same
question twice hands back the same pack and the second compile is served
from the semantic cache (cache_events layer=semantic hit=1 miss=1), so the
row is now PARTLY MEASURED with those numbers and only the time-to-first-token
half stays unmeasured. Scenario 4 gains the settling step: an unresolved
disagreement shows the newer side, and after resolve-conflicts one page shows
both readings (measured 2 hits) — settlement is a retrieval behavior, not a
deletion, which is also why my first draft of that scenario was wrong.

Gaps.md §6 now carries a verdict table with what each scenario actually
measured, and §0.5 quotes whole-suite recall (0.850 words-only over 2,928
answerable queries) instead of the 300-probe sample's 0.863, naming why the
sample reads high.

Gates: 422 passed, ruff clean, filesize OK, bash -n clean, key test 6 PASS +
1 PARTLY MEASURED with exit 0.

CHECKLIST.md

@@ -478,12 +478,12 @@
   - [x] p2-6.2 给截图一个局部的图片腿：**假设被实测推翻，默认路径不动**。池实验（`/tmp/region_clip.py`，日志 `bench/runs/region_clip.log`）：275 张 gold 截图、320 条查询、chance@10 = 0.036，三臂只比排名——屏上文字（空白分词的 BM25，比现行 CJK 词腿弱）0.584（text 135/169 = 0.799、icon 52/151 = 0.344）；整屏 CLIP 0.269（text 0.272、icon 0.265）；OCR 框裁块 CLIP（每屏取 ~36 块的最高分）0.475（text 0.663、icon 40/151 = 0.265）。读法：裁块**确实**好过整屏（0.475 vs 0.269，VISUAL.md 那条「picture 腿把 ui_screenshot 从 0.583 拉到 0.528」的整屏结论没有被推翻），但两条图片腿都打不过屏上的文字，而在真正需要图片的 icon 半边，裁块与整屏同为 0.265、文字反而最高（0.344）——**裁块没有补上 icon 的缺口**，所以不加 `bench/visual_recall.py` 的新臂、不进默认路径，按 p2-6.2 自己写的「不涨就删掉该臂并把不涨写进去」处理。口径交代：该实验在 275 张池内排名，不是 5 万源的现行排序；文字臂是空白分词，故它是被低估的基线，图片臂输给的是一个更弱的对手。
   - [ ] p2-6.3 若仍不达 0.90：把「不达」与原因写进 README/Gaps（已有的 VLM 区域描述、widget tree 两条外部能力，本轮按 m00217 未下 8B VLM），不用改验收线口径硬凑。
 - [ ] **final-accept** Gaps.md §6「钥匙测试」7 条场景逐条跑通
-  - 命令：`bash scripts/key_test.sh`（自建临时 home、假模型快照、起 API、Go MCP 走 stdio、CLI 挂卡带；一张表，任何 FAIL 退出码非 0）。实测：**6 PASS + 1 NOT MEASURED**，exit 0。
+  - 命令：`bash scripts/key_test.sh`（自建临时 home、假模型快照、起 API、Go MCP 走 stdio、CLI 挂卡带；一张表，任何 FAIL 退出码非 0）。实测：**6 PASS + 1 PARTLY MEASURED**，exit 0（第 7 项只测命中率，省算力未测）。
   - 1 随手记 PASS：`POST /api/memory` 一次往返 → `POST /api/search` 答出来，holder=wife origin=self scenario=home event_time=2026-09-30 citable=True。
   - 2 找老婆 PASS：MCP `who_knows(护照)` → holder=wife、confidence 0.683、basis 三条；`ask(护照在哪)`（无 token）→ `status=referred`、`answered_by=wife`、`atom_ids` 为空——**过去的是指针不是正文**；`ask(土星的光环…)` → `no_holder_knows`，不是硬编一个答案。
   - 3 知识更新 PASS：supersede 之后 `现在` → 「钥匙现在在车里」，`as_of 2026-10-06` → 「钥匙放在玄关抽屉里」，旧记忆从现行列表里消失（它那个 source 0 行）但没被删。这条是终验逼出来的新能力，见 p2-3 那条 as_of。
-  - 4 分歧共存 PASS：两条日期不同的冲突记忆都在库里，一页只给新的一条（`retrieval.py:_settle_conflicts` 摘掉未裁决的旧侧），`GET /api/memory/conflicts?holder=wife` 记下双值（1 条 open），`as_of 36 小时前` 拿回 22 度那条。
+  - 4 分歧共存 PASS：两条日期不同的冲突记忆都在库里，一页只给新的一条（`retrieval.py:196` `lifecycle_store.losing_sides` 摘掉未裁决的旧侧——**裁决是检索行为，不是删除**），`GET /api/memory/conflicts?holder=wife` 记下双值（1 条 open），`as_of 36 小时前` 拿回 22 度那条；`resolve-conflicts` 裁定之后一页同时给两条（实测 2 hits）。口径纠正：本轮自己写的场景预期「两条都在结果里」与既定设计相反（未裁决时只给新边），是测试错不是产品错，改的是测试。
   - 5 抗污染 PASS：`origin=third_party` 的无佐证说法可被主人搜到但 `quarantined=True`（编译器把它挡在 prompt 外，`CompiledContext.quarantined_excluded`，由 `test_trust_quarantine.py` 钉住），换个 holder 问则完全答不出。
   - 6 卡带即作用域 PASS：`ingest --cartridge-name 甲/乙` + `finalize-cartridge` + `mount/switch/unmount`，挂载后搜索只从卡带出（月岩灰 1/花岗岩 0 → 切换后 0/1 → 卸载后 1），把模型快照的 rope factor 改成 2.0 之后 `mount 甲` 拒绝并点名 `rope: factor: cartridge 4.0 vs local 2.0`（还带 model_hash）。
-  - 7 卡带省算力 **NOT MEASURED**：这条断言是 TTFT 与命中率，本仓从没跑过 9B 生成器（树里没有模型快照），而且没有 `/api/compile*`、`/api/cache*` 路由（`/api/chat` 无运行时 503），所以连「命中率可观测」这半边也没有面可达。今天存在的是作用域（mount/switch/unmount/append）和 `profiles.py` 里那些尚未接地的启动旗标。
-  - 未标绿的原因（两条都量着）：场景 7 未测；验收线 recall@10 ≥ 0.90 仍未达（shipped 0.863 / 300 探针，外部对手 holder 作用域 0.866，chance 0.0002；缺口全在视觉与音频腿：video 0.455、image 0.720、ui_screenshot 0.818，冻结库里 0 个 audio atom）。报告并排：`bench/reports/BASELINE.md`（本项目基线）、`BASELINE_EXTERNAL.md`（Mem0/Zep 式对手 + chance 行）、`LEGS.md`（当前各腿）、`QUANT.md`/`DENSE.md`/`SCALE.md`（向量与规模）、`VISUAL.md`（图片腿）、`ASR.md`（语音）。
+  - 7 卡带省算力 **PARTLY MEASURED**：可观测那半边已实测——同一题编译两次返回同一份正文（`cache_trace_id` 相同，1 个 atom），第二次落在语义缓存（`cache_events` layer=semantic：hit=1 miss=1）。省的那笔是首字时间（TTFT），本仓从没跑过 9B 生成器（树里没有模型快照），`/api/chat` 无运行时 503，所以 TTFT 那半边仍未测。今天存在的是作用域（mount/switch/unmount/append）和 `profiles.py` 里那些尚未接地的启动旗标。
+  - 未标绿的原因（两条都量着）：场景 7 的省算力半边未测；验收线 recall@10 ≥ 0.90 仍未达（**全库可答题 2,928 题实测 0.850**（words-only，top_k 24，各自 holder），dense 页 24 → 0.859、页 30 → 0.862；300 分层探针读 0.863，比全库高是因为抽样把 ui_screenshot 抽重了：样本 0.818 vs 全量 0.659；外部对手 holder 作用域 0.866，chance 0.0002；缺口全在视觉与音频腿：video 0.493、image 0.783、ui_screenshot 0.659，冻结库里 0 个 audio atom）。报告并排：`bench/reports/BASELINE.md`（本项目基线）、`BASELINE_EXTERNAL.md`（Mem0/Zep 式对手 + chance 行）、`LEGS.md`（当前各腿）、`QUANT.md`/`DENSE.md`/`SCALE.md`（向量与规模）、`VISUAL.md`（图片腿）、`ASR.md`（语音）。