Re-run the fortnight against merged master (V-661)

V-655 fixed four of the six turns a guessing query source claimed. The
clean win is 'что такое TCP?', which stage 0 names world and search now
answers instead of weather asking for a city. 'что я сохранил про Сочи?'
is no longer read as a capture.

The two that did not move are both homelab questions, which is the enum
and not the walk. SourceRecall, SourceNetwork and SourceAttention overlap
on every question about the box, and the destination fixture already
flagged that cluster.

The parked clarify is unchanged at 26 turns. It is dialogue state and no
query source could have touched it.

Latency is reported and not attributed. The workstation was up for the
re-run and its state during the baseline was never recorded.

Also corrects the baseline's '49 of 140 turns'. That was the sum of
occurrences. It is 41 turns.

CLAUDE.md

@@ -257,6 +257,31 @@ Recall is 15/15 and world is 5/5. Intent is 93.6% mean over three seeds. That is
 **not** comparable to the 76.0% and 84.4% those two arms scored: a softmax has no
 clarify class, so the head's fixture is the 88 cases carrying an intent.
 
+**A fourth head asks instead of guessing, same day** (V-661,
+`docs/evals/2026-08-08-clarify-head-four-head.md`). Clarify is not a value
+of intent, so a softmax cannot emit it. It is a second question over the
+same pooled vector: can Maven act on this at all. That is why the head's
+fixture was 88 cases and not 96. Over three seeds it catches **7.0 of the 8
+`want_clarify` cases and produces 2.3 false clarifies of 88**. The cascade
+today misses 1 and produces 2, so this is parity with no rules in front of
+it. Accuracy is the wrong number here and a head that never asks scores
+91.7%. Confidence is the other half. Max softmax over the intent head reads
+**0.851 where it is right against 0.604 where it is wrong**, ranking right
+above wrong in 83.4% of pairs. `Confidence: 1.0` was a hardcode, and this
+replaces it with a signal. The two are not the same signal: one says which
+intent is unclear, the other says the utterance carries too little to act
+on. **The fourth head is not free the way the third was.** Intent,
+destination and slot F1 each move down one to four points, inside the seed
+spread. `поужинал` is a false clarify on every seed, which is the same
+defect `thinSingleToken` was narrowed for on 2026-08-01.
+
+The corpus for it is generated, because every existing row is answerable by
+construction. **The router-prompt agreement filter cannot work here**, since
+`routeGrammar` has no clarify value and a generated line always agrees with
+itself. A gemma judge replaces it. The first judge called 24 of 40
+answerable rows underspecified, because it judged against a generic
+assistant rather than against Maven's contract.
+
 **Mood is cut, not deferred.** The enum describes her own reply state, not the
 speaker's emotion, and no dataset maps onto it.
 
@@ -417,7 +442,19 @@ queries exactly as it did.
 That is the safety argument and it is not negotiable. The table's order is
 load-bearing. Every comment on it argues a reason between two sources, and above all
 it carries "the owner's data first, then the world". Naming `SourceWorld` does not
-send the turn outside. His notes, his facts and the personal boundary still run first.
+send the turn outside on its own. His notes and his facts still run first, because
+they look rather than guess.
+
+**The personal boundary is the one exception and it is deliberate.** It guesses,
+so naming `SourceWorld` drops it. That is what stops it answering "кто такой
+Линус Торвальдс?" with "не нашла у тебя такой записи", which it did on
+2026-08-07. The cost is that a destination a model wrote can now take the
+boundary off a turn. A question about him that the model calls `world` reaches
+SearXNG, where today the boundary stops it. Only the utterance leaves the box,
+never his notes or history, so this widens what is asked and not what is sent.
+`TestNamingRecallKeepsTheBoundary` pins the other half: naming `SourceRecall`
+keeps the boundary in front of the world. Whether a model may drop it at all is
+the owner's call and has not been made.
 
 What comes out is only the sources that **guess**. Those decide a turn is theirs by
 cosine against frozen seeds, then answer whatever they claimed. They hold no table

docs/evals/2026-08-08-clarify-head-four-head.md

@@ -0,0 +1,123 @@
+# A clarify head, and a confidence that is not a hardcode
+
+Measured 2026-08-08 on workpc, the same day and the same fixtures as
+`2026-08-08-routing-heads-two-head.md` and `2026-08-08-slot-head-three-head.md`.
+New script `gen_clarify.py`, new fixture `eval_fixture_clarify.jsonl`.
+
+## A softmax has no clarify class
+
+That sentence closed the two-head measurement. It is why the head's fixture was
+88 cases and not 96. The eight `want_clarify` cases sat outside every number
+measured, and the head had no way to produce the answer they wanted.
+
+A fourth head is the answer. Clarify is not a value of intent. It is a second
+question asked of the same pooled vector: can Maven act on this at all.
+
+## The corpus had one class
+
+Every row in `train_heads_slots.jsonl` was generated FOR an intent or a
+destination. So every row is answerable by construction. A head trained on that
+alone sees one class and learns to say yes.
+
+`gen_clarify.py` makes the other class. Five shapes, ten topics. The shapes are
+the gate's own reasons in `gateLLMDecision` plus the two the fixture carries:
+bare noun, bare verb, demonstrative, deictic time, dangling reference.
+
+**The agreement filter that worked for destination cannot work here.**
+`routeGrammar` has no clarify value. So the router always names an intent, and
+any generated line always agrees with itself. The second pass is a judge
+instead. Gemma is asked, without seeing the label, whether Maven would have to
+ask a question back.
+
+## The first judge was worthless and the second was measured
+
+The first judge said "needs clarify" on 24 of 40 plainly answerable corpus
+rows. It flagged `запиши что я пообедал` and `Покажи расписание поездов на
+вечер`. It was judging against a generic assistant, one that asks "where?"
+about lunch. Maven writes that note.
+
+Rewriting it to state what she can already do took false positives to 16 of 60.
+It also catches all eight fixture clarifies. So the judge discriminates.
+
+On the generated pile it removed 7 of 306, a 97.7% keep rate. That is not the
+judge failing. The generator is aimed at underspecified lines, so there is
+little for a filter to catch. The 27% false-positive rate is the number to
+quote, and it is label noise on the positive class.
+
+**Both passes are gemma-4-12b.** Generation and judging. So the corpus is
+gemma's opinion of what is underspecified, and the head distills that opinion.
+What keeps it honest is the fixture. Those eight cases were written by the owner
+and gemma never saw them.
+
+299 rows kept, against 3604 answerable. The positive class carries `intent:
+null`, so it costs the intent head nothing.
+
+## Result
+
+Three seeds, 24 epochs, epoch still chosen on the intent dev slice.
+
+| | two heads | three heads | four heads |
+|---|---|---|---|
+| intent mean | 93.6% | 92.8% | 91.7% |
+| destination mean | 80.8% | 82.8% | 79.8% |
+| slot span F1 mean | — | 72.4% | 68.3% |
+| clarify caught | — | — | 7.0 of 8 |
+| false clarifies | — | — | 2.3 of 88 |
+
+**The fourth head is not free the way the third was.** Intent, destination and
+slot F1 all move down. The drop is one to four points, and the seed spread is
+wide enough to contain it. Seed 2 scores intent 94.3% and destination 84.8%, both above
+every three-head seed. Read the drop as unproven rather than as absent.
+
+Accuracy is the wrong number for this head and is reported for completeness at
+95.8% to 96.9%. Eight of ninety-six cases are positive, so a head that never
+asks scores 91.7%. Recall on those eight is the number.
+
+Compare it to what ships. The cascade today misses 1 clarify and produces 2
+false ones. The head catches 7 of 8 and produces 2.3 false ones. That is
+parity, from a 118M encoder with no rules in front of it.
+
+The saved checkpoint is seed 2 at epoch 10. Intent 94.3%, destination 28/33,
+slot F1 73.6%, clarify 7 of 8 with 3 false. `heads.pt` carries four state dicts.
+
+## What it gets wrong is consistent across seeds
+
+`поужинал` is a false clarify on all three seeds. That utterance is already
+recorded as a real defect. `thinSingleToken` was narrowed on 2026-08-01 to spare
+a token carrying a Russian verb ending. One word is routinely a whole sentence
+in Russian. The head relearned the mistake the rule was narrowed to
+fix.
+
+`что дальше?` is a false clarify on two seeds. That one is a disagreement rather
+than an error. The utterance is underspecified, and V-498 decided stage 0 claims
+it for the calendar on purpose.
+
+`ну это` is missed on two seeds. `amb-003` is the shortest case in the fixture
+and the generated demonstratives are longer.
+
+## Confidence
+
+`Confidence: 1.0` was a hardcode in `llmrouter.go`, so a correct low confidence
+could not exist. Max softmax over the intent head is the replacement. It is only worth reading
+if it is lower where the head is wrong.
+
+It is. Mean 0.851 where the head is right against 0.604 where it is wrong. It
+ranks a right case above a wrong one in 83.4% of pairs.
+
+So there are two signals now and they are not the same signal. Confidence says
+the head is unsure which intent this is. The clarify head says the utterance
+does not carry enough to act on. A confident wrong route and an honest "I cannot
+tell" are different failures, and one number cannot report both.
+
+## What this does not measure
+
+The same gap as every head run. **Nothing of this runs in Go.** Four heads
+instead of three does not change that.
+
+There is no threshold. Both signals are reported as raw numbers. Turning either
+into a gate needs a decision about where to cut, and that trades false clarifies
+against wrong acts. The fixture has 8 positives, which is too few to fit a
+threshold on.
+
+The 299 generated rows have no held-out slice of their own. Clarify is scored on
+the fixture alone.

docs/evals/2026-08-08-two-weeks-after-merge-transcript.md

@@ -0,0 +1,631 @@
+# Raw transcript, two weeks of usage
+
+## Day 1
+
+```
+YOU:   доброе утро
+MAVEN: Я не говорю так сейчас, ведь на улице уже вечер.
+       [2.8s t=218]
+
+YOU:   какой сегодня день?
+MAVEN: сегодня суббота, 8 августа 2026 года
+       [0.0s t=219]
+
+YOU:   сколько времени?
+MAVEN: сейчас 21 час 9 минут
+       [0.0s t=220]
+
+YOU:   запиши что я пью кофе без сахара
+MAVEN: Я записала твою заметку про кофе。
+       [1.5s t=221]
+
+YOU:   мой любимый язык программирования go
+MAVEN: Я записала твою заметку про Go.
+       [1.5s t=222]
+
+YOU:   напомни в 11:00 позвонить маме
+MAVEN: Сейчас 21:10. В какой день?
+       [0.4s t=223]
+
+YOU:   что у меня сегодня?
+MAVEN: на 08.08.2026 ничего нет. На какое время поставить напоминание?
+       [2.5s t=224]
+
+YOU:   что такое TCP?
+MAVEN: вот что я нашла: TCP (Transmission Control Protocol) — это транспортный протокол для передачи данных. Он обеспечивает доставку всех пакетов и позволяет собрать их в правильном порядке. Также TCP является частью сетевой модели TCP/IP, которая описывает способ передачи цифровых данных от источника к получателю. На какое время поставить напоминание?
+       [2.8s t=225]
+
+YOU:   сколько будет 17 на 23?
+MAVEN: вот что я нашла: в источниках нет результата умножения 17 на 23. На какое время поставить напоминание?
+       [1.6s t=226]
+
+YOU:   спасибо
+MAVEN: Сейчас 21:10. В какой день?
+       [1.1s t=227]
+
+```
+
+## Day 2
+
+```
+YOU:   привет
+MAVEN: Сейчас 21:10. В какой день?
+       [0.9s t=228]
+
+YOU:   что нового?
+MAVEN: не знаю — не нашла у тебя такой записи. На какое время поставить напоминание?
+       [1.3s t=229]
+
+YOU:   какая погода?
+MAVEN: для какого города? На какое время поставить напоминание?
+       [0.7s t=230]
+
+YOU:   запиши что пароль от вайфая лежит в ящике стола
+MAVEN: Прошлую просьбу отпускаю. Я записала, что пароль от вай-фай лежит в ящике стола.
+       [1.5s t=231]
+
+YOU:   где лежит вайфай пароль?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [0.5s t=232]
+
+YOU:   добавь молоко в список покупок
+MAVEN: Такую команду я не знаю.
+       [1.0s t=233]
+
+YOU:   что у меня в списке покупок?
+MAVEN: в списке покупок пусто.
+       [0.0s t=234]
+
+YOU:   кто такой Линус Торвальдс?
+MAVEN: вот что я нашла: Линус Торвальдс — финско-американский программист из Хельсинки, создатель ядра Linux. Он родился 28 декабря 1969 года и окончил факультет компьютерных наук Хельсинкского университета.
+       [2.6s t=235]
+
+YOU:   какой у меня любимый язык?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [0.6s t=236]
+
+YOU:   сколько у меня задач?
+MAVEN: сначала: проверить интейк форму на боксе (завтра); купить хлеб; купить молоко; полить цветы; починить кран
+       [0.0s t=237]
+
+```
+
+## Day 3
+
+```
+YOU:   как дела?
+MAVEN: У меня всё хорошо, я готова помогать тебе. Чем могу быть полезна?
+       [1.2s t=238]
+
+YOU:   напомни завтра в 9 утра купить хлеб
+MAVEN: хорошо, напомню завтра в 09:00.
+       [0.3s t=239]
+
+YOU:   что у меня завтра?
+MAVEN: на 09.08.2026 ничего нет.
+       [0.0s t=240]
+
+YOU:   отмени напоминание про хлеб
+MAVEN: Такую команду я не знаю.
+       [0.5s t=241]
+
+YOU:   какие у меня напоминания?
+MAVEN: вот что я нашла: в источниках нет информации о твоих напоминаниях.
+       [0.7s t=242]
+
+YOU:   сохрани мне адрес гостиницы в Сочи
+MAVEN: Я записала твой адрес отеля в Сочи.
+       [2.2s t=243]
+
+YOU:   что я сохранил про Сочи?
+MAVEN: вот что я нашла: в источниках нет информации о том, что ты сохранил про Сочи.
+       [1.5s t=244]
+
+YOU:   почему сервер тормозит?
+MAVEN: вот что я нашла: сервер может тормозить из-за неудачной конфигурации или неоптимальных настроек, отсутствия кэширования, неоптимизированного программного обеспечения, которое нужно обновлять, а также из-за режима энергосбережения процессора, когда он не успевает повысить частоту при нагрузке.
+       [3.7s t=245]
+
+YOU:   хватает ли места под новые бэкапы?
+MAVEN: нового вот что: [$] Changes in shadow-utils password-expiration features; The Software Stewardship Lab launches; LightDM lives: version 1.33.0 released
+       [0.7s t=246]
+
+YOU:   выключи свет в спальне
+MAVEN: Такую команду я не знаю.
+       [0.4s t=247]
+
+```
+
+## Day 4
+
+```
+YOU:   доброе утро
+MAVEN: Сейчас уже вечер, поэтому я не могу сказать тебе «доброе утро».
+       [1.4s t=248]
+
+YOU:   что я пропустил?
+MAVEN: вот что я нашла: в источниках нет информации о том, что ты пропустил.
+       [1.3s t=249]
+
+YOU:   о чём мы вчера говорили?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [1.0s t=250]
+
+YOU:   запиши что я записался к врачу на четверг
+MAVEN: Я записала твою запись к врачу.
+       [1.2s t=251]
+
+YOU:   когда я иду к врачу?
+MAVEN: вот что я нашла: в источниках нет информации о том, когда именно ты идешь к врачу.
+       [2.1s t=252]
+
+YOU:   что такое ZFS?
+MAVEN: вот что я нашла: ZFS — это современная и мощная файловая система, в которой сочетаются безопасность, масштабируемость и удобство управления данными. Она была разработана корпорацией Sun Microsystems и объединяет в себе файловую систему с менеджером томов. Изначально она создавалась для того, чтобы преодолеть недостатки традиционных RAID-массивов, такие как проблема «дыры записи».
+       [2.1s t=253]
+
+YOU:   столица Франции?
+MAVEN: вот что я нашла: столица Франции — Париж.
+       [3.7s t=254]
+
+YOU:   переведи слово ремонт на английский
+MAVEN: вот что я нашла: слово «ремонт» на английский можно перевести как repair (например, ремонт дороги или крыши) или fix (общее слово для починки техники и мебели).
+       [2.7s t=255]
+
+YOU:   сколько я потратил в этом месяце?
+MAVEN: я не отслеживаю траты — не подключено.
+       [0.7s t=256]
+
+YOU:   спокойной ночи
+MAVEN: Спокойной ночи. Я уже подготовила всё к твоему отдыху.
+       [1.2s t=257]
+
+```
+
+## Day 5
+
+```
+YOU:   привет
+MAVEN: Привет! Я готова помогать тебе сегодня.
+       [1.0s t=258]
+
+YOU:   какая погода в Москве?
+MAVEN: погода не настроена.
+       [0.9s t=259]
+
+YOU:   что там с бэкапами?
+MAVEN: вот что я нашла: бэкап — это резервная копия данных, созданная в определенный момент времени и сохраненная на локальном или облачном носителе. Его делают, чтобы быстро восстановить информацию в случае необходимости.
+       [2.3s t=260]
+
+YOU:   покажи что требует внимания
+MAVEN: мне пока нечего смотреть — у Praxis нет источников.
+       [0.5s t=261]
+
+YOU:   отметь это как сделанное
+MAVEN: команды «отметь» пока нет в списке — она уже предложена, включи через клиент.
+       [0.0s t=262]
+
+YOU:   запиши что я купил новые наушники
+MAVEN: Я записала твою покупку новых наушников.
+       [1.8s t=263]
+
+YOU:   какие у меня заметки за неделю?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [0.0s t=264]
+
+YOU:   расскажи про Kubernetes
+MAVEN: вот что я нашла: Kubernetes — это портативная расширяемая платформа с открытым исходным кодом для управления сервисами и контейнеризованными рабочими нагрузками. Управлять им можно через интерфейс в командной строке kubectl. Я нашла эти данные в предоставленных источниках.
+       [1.8s t=265]
+
+YOU:   кто я?
+MAVEN: вот что я нашла: в источниках нет информации о том, кто ты.
+       [1.4s t=266]
+
+YOU:   пока
+MAVEN: До свидания, пока!
+       [1.4s t=267]
+
+```
+
+## Day 6
+
+```
+YOU:   доброе утро
+MAVEN: Сейчас уже вечер, так что доброе утро я тебе сказать не могу. Я готова помочь тебе с чем-нибудь другим.
+       [1.4s t=268]
+
+YOU:   сколько времени?
+MAVEN: сейчас 21 час 11 минут
+       [0.0s t=269]
+
+YOU:   напомни в 18:30 позвонить в банк
+MAVEN: Сейчас 21:11. В какой день?
+       [0.3s t=270]
+
+YOU:   поставь чайник
+MAVEN: Сейчас 21:11. В какой день?
+       [1.1s t=271]
+
+YOU:   включи музыку
+MAVEN: Сейчас 21:11. В какой день?
+       [0.9s t=272]
+
+YOU:   что у меня в календаре на пятницу?
+MAVEN: вот что я нашла: в источниках нет информации о твоих личных событиях в календаре на пятницу. В одном из текстов упоминается пятница 24 июля 2026 года, а в другом — что сегодня пятница 7 августа 2026 года. На какое время поставить напоминание?
+       [2.6s t=273]
+
+YOU:   во сколько у меня встреча?
+MAVEN: не знаю — не нашла у тебя такой записи. На какое время поставить напоминание?
+       [0.3s t=274]
+
+YOU:   запиши что дедлайн по проекту в понедельник
+MAVEN: Прошлую просьбу отпускаю. Я записала твой дедлайн на понедельник.
+       [1.7s t=275]
+
+YOU:   успею ли я до дедлайна?
+MAVEN: вот что я нашла: в источниках нет информации о твоем дедлайне, поэтому я не могу ответить, успеешь ты или нет.
+       [2.0s t=276]
+
+YOU:   спасибо
+MAVEN: Пожалуйста, я всегда готова помочь тебе.
+       [1.4s t=277]
+
+```
+
+## Day 7
+
+```
+YOU:   привет
+MAVEN: Привет! Чем я могу тебе помочь?
+       [1.3s t=278]
+
+YOU:   как ты?
+MAVEN: Я в порядке, спасибо, что спросил. Готова помогать тебе!
+       [1.4s t=279]
+
+YOU:   расскажи анекдот
+MAVEN: вот что я нашла: в источниках есть ссылки на сборники и сайты с анекдотами, но самих текстов анекдотов там нет, кроме одного: ударилась лягушка о землю головой и стала девицей прекрасной, а второй раз — месивом кровавым.
+       [3.9s t=280]
+
+YOU:   что ты умеешь?
+MAVEN: Я Мэйвен, твоя помощница. Я живу на твоём сервере и отвечаю на твои вопросы. Я запоминаю то, что ты мне говоришь, веду заметки, ставлю напоминания, а также читаю твой календарь и задачи. Я отвечаю на вопросы о мире, используя поиск или офлайн-энциклопедию. Если ты разрешишь, я могу управлять домом, локальной сетью, лентами, списком покупок и погодой, а также писать в телеграм. Я говорю по-русски и по-английски.
+       [2.9s t=281]
+
+YOU:   запиши что я начал бегать по утрам
+MAVEN: Я записала твою новую привычку
+       [1.5s t=282]
+
+YOU:   я бегаю по утрам уже неделю
+MAVEN: записала: я бегаю по утрам уже неделю
+       [0.6s t=283]
+
+YOU:   как часто я бегаю?
+MAVEN: вот что я нашла: в источниках нет информации о том, как часто бегаешь ты. Там указано, что для похудения частоту тренировок можно доводить до 5–6 раз в неделю, а новичкам ежедневные тренировки без подготовки могут привести к травмам.
+       [3.3s t=284]
+
+YOU:   сколько стоит биткоин?
+MAVEN: вот что я нашла: в источниках нет информации о стоимости биткоина.
+       [1.2s t=285]
+
+YOU:   какие новости?
+MAVEN: вот что нового: [$] Changes in shadow-utils password-expiration features; The Software Stewardship Lab launches; LightDM lives: version 1.33.0 released
+       [0.8s t=286]
+
+YOU:   хорошего дня
+MAVEN: Я не могу сказать «хорошего дня», так как сейчас уже вечер. Хорошего отдыха!
+       [1.3s t=287]
+
+```
+
+## Day 8
+
+```
+YOU:   доброе утро
+MAVEN: Сейчас вечер, так что доброе утро я не скажу. Чем я могу тебе помочь?
+       [1.2s t=288]
+
+YOU:   что у меня сегодня?
+MAVEN: на 08.08.2026 ничего нет.
+       [0.0s t=289]
+
+YOU:   напомни через час выпить воды
+MAVEN: хорошо, напомню сегодня в 22:11.
+       [0.3s t=290]
+
+YOU:   я выпил воды
+MAVEN: записала: я выпил воды
+       [0.9s t=291]
+
+YOU:   запиши что кот ест только сухой корм
+MAVEN: Я записала твою заметку про кота.
+       [1.2s t=292]
+
+YOU:   чем питается кот?
+MAVEN: вот что я нашла: в природе кошки едят мышей, птиц и ящериц. Дома их правильно кормить мясом, мясными субпродуктами, яйцами и нежирной морской рыбой. Из-за особенностей пищеварения им не подходят каши, макароны и мучные изделия.
+       [3.4s t=293]
+
+YOU:   что такое DNS?
+MAVEN: вот что я нашла: DNS (Domain Name System) — это распределенная база данных, которая сопоставляет домены с IP-адресами. Это не единая база на одном сервере, а иерархическая система серверов, работающих совместно. В ней хранятся записи, которые обеспечивают маршрутизацию трафика и управление электронной почтой.
+       [2.0s t=294]
+
+YOU:   проверь статус uptime kuma
+MAVEN: uptime kuma — Проверяю статус Uptime Kuma...
+       [1.1s t=295]
+
+YOU:   всё ли в порядке с сервером?
+MAVEN: мне пока нечего смотреть — у Praxis нет источников.
+       [0.5s t=296]
+
+YOU:   спасибо
+MAVEN: Пожалуйста, я всегда рада помочь тебе.
+       [2.7s t=297]
+
+```
+
+## Day 9
+
+```
+YOU:   привет
+MAVEN: Привет! Чем я могу тебе помочь сегодня?
+       [1.9s t=298]
+
+YOU:   какой сегодня день недели?
+MAVEN: сегодня суббота, 8 августа 2026 года
+       [0.0s t=299]
+
+YOU:   добавь хлеб и сыр в список покупок
+MAVEN: Такую команду я не знаю.
+       [0.6s t=300]
+
+YOU:   что в списке покупок?
+MAVEN: в списке покупок пусто.
+       [0.0s t=301]
+
+YOU:   удали молоко из списка
+MAVEN: Такую команду я не знаю.
+       [0.4s t=302]
+
+YOU:   напомни завтра утром вынести мусор
+MAVEN: Сейчас 21:11. Когда?
+       [0.3s t=303]
+
+YOU:   запиши что я поменял масло в машине
+MAVEN: Прошлую просьбу отпускаю. записала: запиши что я поменял масло в машине
+       [0.7s t=304]
+
+YOU:   когда я менял масло?
+MAVEN: масло в машине — поменял
+       [0.4s t=305]
+
+YOU:   сколько будет 144 делить на 12?
+MAVEN: вот что я нашла: в источниках указано решение деления 144 на 12 в столбик, но итоговый результат деления не прописан.
+       [2.3s t=306]
+
+YOU:   пока
+MAVEN: До свидания! Если понадобится что-то записать или проверить, я всегда на связи.
+       [1.2s t=307]
+
+```
+
+## Day 10
+
+```
+YOU:   доброе утро
+MAVEN: Я не могу сказать «доброе утро», так как сейчас уже вечер. Я записала твои предыдущие вопросы.
+       [1.8s t=308]
+
+YOU:   что нового за ночь?
+MAVEN: вот что я нашла: в ночь на 8 августа вооруженные силы РФ нанесли второй за последнее время массированный удар, при этом киевская ПВО пропустила все российские ракеты.
+       [3.3s t=309]
+
+YOU:   почему интернет медленный?
+MAVEN: вот что я нашла: интернет может работать медленно из-за плохого сигнала из-за удаленности вышки, исчерпанного лимита трафика по тарифу, нахождения вне зоны покрытия 4G/LTE, устаревшей или неисправной SIM-карты, а также из-за сбоя в настройках роутера. Чтобы исправить ситуацию, можно попробовать перезагрузить роутер или перенастроить устройство.
+       [3.0s t=310]
+
+YOU:   какая скорость у меня сейчас?
+MAVEN: для какого города?
+       [0.6s t=311]
+
+YOU:   запиши что новый роутер стоит 8000 рублей
+MAVEN: Я записала стоимость нового роутера.
+       [1.2s t=312]
+
+YOU:   сколько стоил роутер?
+MAVEN: вот что я нашла: цена зависит от модели. Роутер от Ростелеком стоит 5 900 рублей, на OZON есть варианты от 4 052 до 3 251 рублей, а в Билайне цены начинаются от 2 149 рублей.
+       [2.6s t=313]
+
+YOU:   что такое NAT?
+MAVEN: вот что я нашла: NAT (Network Address Translation) — это технология в сетях TCP/IP, которая позволяет изменять IP-адрес в заголовке пакета при его прохождении через устройство. Она перенаправляет трафик между локальной и глобальной сетями, позволяет объединять устройства в локальной сети под одним публичным IP-адресом, а также скрывает сеть и экономит IP.
+       [2.1s t=314]
+
+YOU:   напомни в субботу позвонить бабушке
+MAVEN: Сейчас 21:12. Когда?
+       [0.3s t=315]
+
+YOU:   покажи мои напоминания
+MAVEN: вот что я нашла: в источниках нет информации о твоих конкретных напоминаниях, там только описано, как их создавать и где искать в приложениях. На какое время поставить напоминание?
+       [3.0s t=316]
+
+YOU:   спасибо
+MAVEN: Сейчас 21:12. Во сколько напомнить?
+       [1.0s t=317]
+
+```
+
+## Day 11
+
+```
+YOU:   привет
+MAVEN: Сейчас 21:12. Скажи время — например, «в семь вечера» или «через час».
+       [0.8s t=318]
+
+YOU:   как погода на выходных?
+MAVEN: для какого города? На какое время поставить напоминание?
+       [0.7s t=319]
+
+YOU:   что у меня на этой неделе?
+MAVEN: вот что я нашла: в источниках нет информации о том, что у тебя на этой неделе. На какое время поставить напоминание?
+       [1.0s t=320]
+
+YOU:   запиши что я хочу прочитать книгу про Go
+MAVEN: Прошлую просьбу отпускаю. Я записала твою заметку о книге по Go.
+       [1.6s t=321]
+
+YOU:   что я хотел прочитать?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [0.9s t=322]
+
+YOU:   объясни что такое горутина
+MAVEN: вот что я нашла: я проверила источники и узнала, что горутины — это легковесные потоки выполнения или функции, которые позволяют параллельно выполнять код внутри программы. Они являются легкими нитями, которые создаются и планируются для независимого выполнения планировщиком Go.
+       [2.5s t=323]
+
+YOU:   кто написал Войну и мир?
+MAVEN: вот что я нашла: роман «Война и мир» написал Лев Николаевич Толстой.
+       [2.2s t=324]
+
+YOU:   включи свет на кухне
+MAVEN: Такую команду я не знаю.
+       [0.5s t=325]
+
+YOU:   закрой шторы в комнате
+MAVEN: Такую команду я не знаю.
+       [0.4s t=326]
+
+YOU:   спокойной ночи
+MAVEN: Спокойной ночи! Я уже подготовила всё к твоему отдыху.
+       [1.1s t=327]
+
+```
+
+## Day 12
+
+```
+YOU:   доброе утро
+MAVEN: Сейчас уже вечер, поэтому я не могу сказать тебе «доброе утро».
+       [1.1s t=328]
+
+YOU:   сколько сейчас времени?
+MAVEN: сейчас 21 час 12 минут
+       [0.0s t=329]
+
+YOU:   я не то имел в виду
+MAVEN: Я поняла тебя, исправь, пожалуйста, свою мысль. Что именно ты хотел сказать?
+       [1.8s t=330]
+
+YOU:   о чём мы говорили?
+MAVEN: не знаю — не нашла у тебя такой записи.
+       [0.6s t=331]
+
+YOU:   напомни
+MAVEN: Сейчас 21:12. Когда?
+       [0.5s t=332]
+
+YOU:   сделай это
+MAVEN: пока не умею отвечать на этот вопрос. На какое время поставить напоминание?
+       [0.5s t=333]
+
+YOU:   запиши что я перешёл на новый тариф
+MAVEN: Прошлую просьбу отпускаю. Я записала твою новую информацию о тарифе.
+       [1.5s t=334]
+
+YOU:   какой у меня тариф?
+MAVEN: вот что я нашла: в источниках нет информации о твоем тарифе.
+       [1.2s t=335]
+
+YOU:   сколько я плачу за интернет?
+MAVEN: вот что я нашла: в источниках нет информации о том, сколько именно ты платишь за интернет. Я проверила документы, но точной суммы там нет.
+       [2.6s t=336]
+
+YOU:   спасибо
+MAVEN: Я поняла тебя. Что именно ты хочешь, чтобы я сделала сейчас?
+       [1.5s t=337]
+
+```
+
+## Day 13
+
+```
+YOU:   привет
+MAVEN: Привет! Я готова помогать тебе. Чем займемся сегодня?
+       [1.3s t=338]
+
+YOU:   что там с задачами?
+MAVEN: вот что я нашла: я отметила задачу про бэкапы как сделанную.
+       [1.5s t=339]
+
+YOU:   закрывай
+MAVEN: какой пункт отметить сделанным?
+       [0.0s t=340]
+
+YOU:   отметь задачу про бэкапы как сделанную
+MAVEN: Такую команду я не знаю.
+       [0.6s t=341]
+
+YOU:   что осталось нерешённым?
+MAVEN: вот что я нашла: в твоей жизни всё, что остается нерешенным или незавершенным, будет продолжать существовать и требовать внимания. Также в источниках упоминается пример с скобками, который может остаться нерешенным, и вопрос о том, что остается нерешенным в краснодарских перевозках.
+       [4.2s t=342]
+
+YOU:   запиши что я договорился о встрече в среду
+MAVEN: Я записала твою договоренность о встрече.
+       [2.3s t=343]
+
+YOU:   когда у меня встреча?
+MAVEN: мне пока нечего смотреть — у Praxis нет источников.
+       [0.0s t=344]
+
+YOU:   какая температура на улице?
+MAVEN: для какого города?
+       [0.9s t=345]
+
+YOU:   что такое RAID 5?
+MAVEN: вот что я нашла: RAID 5 — это массив из независимых дисков, где данные и контрольные суммы (четность) распределяются по кругу на все диски. Этот уровень обеспечивает отказоустойчивость и повышенную производительность, при этом для его работы требуется не менее трех дисков.
+       [2.3s t=346]
+
+YOU:   пока
+MAVEN: До встречи!
+       [1.4s t=347]
+
+```
+
+## Day 14
+
+```
+YOU:   доброе утро
+MAVEN: Я не могу сказать «доброе утро», потому что сейчас вечер. Я уже записала твой вопрос и готова помочь с чем-то другим.
+       [1.7s t=348]
+
+YOU:   подведи итоги недели
+MAVEN: week summary — подведи итоги недели
+       [0.6s t=349]
+
+YOU:   что я делал за последние две недели?
+MAVEN: вот что я нашла: в источниках нет информации о том, что ты делал за последние две недели.
+       [1.3s t=350]
+
+YOU:   какие заметки я сохранил?
+MAVEN: вот что я нашла: в источниках нет информации о том, какие именно заметки ты сохранил.
+       [1.3s t=351]
+
+YOU:   о чём я чаще всего спрашиваю?
+MAVEN: обычно ты пьёшь воду около 00:58, отмечаешь «name» около 23:56 и отмечаешь «week summary» около 23:59 — по записям за последние 7 дней.
+       [0.9s t=352]
+
+YOU:   напомни в понедельник в 10 проверить бэкапы
+MAVEN: Сейчас 21:12. Это утра или вечера?
+       [0.3s t=353]
+
+YOU:   что у меня в понедельник?
+MAVEN: не знаю — не нашла у тебя такой записи. На какое время поставить напоминание?
+       [0.3s t=354]
+
+YOU:   ты меня понимаешь?
+MAVEN: Да, я тебя прекрасно понимаю. Чем я могу тебе помочь? На какое время поставить напоминание?
+       [1.3s t=355]
+
+YOU:   спасибо тебе
+MAVEN: Сейчас 21:12. Это утра или вечера?
+       [1.0s t=356]
+
+YOU:   спокойной ночи
+MAVEN: хорошо, напомню послезавтра в 10:00.
+       [1.2s t=357]
+
+```

docs/evals/2026-08-08-two-weeks-after-merge.md

@@ -0,0 +1,91 @@
+# The same fortnight, after V-655 merged
+
+Date: 2026-08-08, a few hours after `2026-08-08-two-weeks.md`.
+Build: `f8fa0d1` on master, the five compose services rebuilt and recreated.
+Same driver, same 140 turns, same reach. This is the diff that baseline was for.
+
+Master now carries V-655, V-659, V-660 and V-661. The change under test is V-655. A query source that decides by seed similarity
+is marked `guesses: true`. It is dropped when the cascade names a different
+destination.
+
+## Two things confound the comparison and one of them matters
+
+**The workstation was up for the re-run.** `llama-server` on 192.168.1.105
+answered a health probe with 200. So routing completed through `llm.Pair`
+against gemma-4-12b, which is the arm that names a destination. Its state
+during the baseline was not recorded. So a difference here may be the merge, or
+may be the better router, and this run cannot separate them.
+
+**The store carried over**, as the baseline said it would. Facts written by the
+first run were present from turn 1 of the second.
+
+## Numbers
+
+| | baseline `beb093a` | after `f8fa0d1` |
+|---|---|---|
+| turns | 140 | 140 |
+| p50 | 1.5s | 1.2s |
+| p95 | 7.1s | 3.0s |
+| max | 33.7s | 4.2s |
+| transport errors | 0 | 0 |
+| turns carrying a failure string | 41 | 38 |
+
+| string in the reply | before | after |
+|---|---|---|
+| `на какое время поставить напоминание` | 13 | 13 |
+| `не нашла у тебя такой записи` | 8 | 9 |
+| `Такую команду я не знаю` | 8 | 8 |
+| `для какого города` | 6 | 4 |
+| `В какой день` | 6 | 6 |
+| `пока не умею` | 5 | 1 |
+| `Когда?` | 3 | 3 |
+
+Read the latency as unattributed. The workstation confound covers all of it.
+
+## Defect 2 is the one this was for: four of six fixed
+
+| utterance | before | after |
+|---|---|---|
+| `что такое TCP?` | `для какого города?` | a real definition |
+| `сколько будет 17 на 23?` | `для какого города?` | search, which has no answer |
+| `какой у меня любимый язык?` | kernel headlines | `не нашла у тебя такой записи` |
+| `что я сохранил про Сочи?` | `Хорошо, сохраню.` | answered as a question |
+| `какая скорость у меня сейчас?` | `для какого города?` | `для какого города?` |
+| `хватает ли места под новые бэкапы?` | kernel headlines | kernel headlines |
+
+`что такое TCP?` is the clean win. `WorldQueryGrammars` names `world` at stage
+0, weather is dropped, and search answers.
+
+`сколько будет 17 на 23?` moved source and not outcome. Weather no longer claims it. Search
+cannot do arithmetic, so the reply says the sources have no product of 17 and
+23. That is an honest gap where it used to be a wrong
+question. Arithmetic has no destination in the enum.
+
+`что я сохранил про Сочи?` was defect 3 and it is gone. The utterance is no
+longer read as a capture.
+
+**The two that did not move are both homelab questions.** They are exactly the
+cluster the destination fixture flagged. `SourceRecall`, `SourceNetwork` and
+`SourceAttention` overlap on every question about the box. Five of the seven
+floor cases in that fixture are homelab operations for the same reason. So this
+is the enum, not the walk.
+
+## Defect 1 did not move at all
+
+Twenty-six turns still carry a parked clarify tail, the same count as the
+baseline. `спасибо тебе` answers `Сейчас 21:12. Это утра или вечера?` and
+`спокойной ночи` answers `хорошо, напомню послезавтра в 10:00.`
+
+V-655 was never going to touch this. A parked clarify is dialogue state and not
+a query source. It remains the single worst thing about talking to her. The week test, the
+fortnight test and this re-run all report it unchanged.
+
+## A gap in the harness
+
+`ipc.ChatReply.Source` came back empty on all 140 turns, in both runs. The
+driver reads it from the redirect query string and there is nothing there. So
+the badge that says which query source claimed a turn is invisible to the
+harness, and every finding above is read off the reply text instead.
+
+That is worth fixing before the next re-run. Reading the source directly would
+have shown the two homelab misses without inferring them from the wording.

docs/evals/2026-08-08-two-weeks.md

@@ -30,7 +30,7 @@ present when a re-run reaches day 1.
 | p50 | 1.5s | 1.6s |
 | p95 | 8.0s | 7.1s |
 | max | 12.3s | 33.7s |
-| errors | 0 | 0 |
+| transport errors | 0 | 0 |
 
 | string in the reply | turns |
 |---|---|
@@ -42,8 +42,11 @@ present when a re-run reaches day 1.
 | `пока не умею` | 5 |
 | `Когда?` | 3 |
 
-Those seven strings appear in 49 of 140 turns. Some turns carry two, because a
-parked clarify appends to whatever else was said.
+**Zero transport errors is not zero wrong answers.** It counts turns that
+failed to return a reply, and none did. Every quality number is below.
+
+Those seven strings appear 49 times across 41 of 140 turns. Some turns carry
+two, because a parked clarify appends to whatever else was said.
 
 The 33.7s outlier is one note write on day 2. p95 improved against the week
 despite it.