ARTO Reproduction (Code)

该仓库提供了可直接运行的 ARTO（Adaptive Reasoning Topology Optimization） 实现骨架，按论文中的核心模块拆分：

• 难度分层（Natural Differentiation）与原型增强难度分类器
• 容量-拓扑联合选择（Capacity-Topology Joint Selection）
• DC2T（Dynamic Chain-to-Tree）
• UT/OT 实例级诊断与阈值校准
• 三层级回退策略（L1/L2/L3）

目录结构

• arto/difficulty.py：冻结编码器 + MLP + prototype 对齐训练、离散/连续难度输出
• arto/natural_differentiation.py：按最小可解模型定义 tier（Eq.2）
• arto/router.py：容量函数（Eq.10）与配置选择（Eq.11）
• arto/dc2t.py：四阶段树构造、Conf/Novel/Q（Eq.14-16）、阈值与聚合（Eq.17-18）
• arto/diagnostics.py：UT/OT（Eq.ut/ot）与 ε_UT 的 F1 校准
• arto/fallback.py：L1/L2/L3 回退
• arto/pipeline.py：端到端推理闭环
• scripts/train_difficulty.py：训练难度分类器
• scripts/run_inference.py：最小可运行推理示例
• tests/test_arto.py：单元测试

实验设定（按论文参数）

• 难度分类器：384 维输入，MLP 384→256→128→5，GELU，dropout=0.1
• 损失：L = CE + λ * L_align，λ=0.15
• 优化器：Adam，lr=4e-5，batch=8，epochs=80（脚本默认）
• 推理采样参数（论文建议）：temperature=0.7，top-p=0.9，max_tokens=4096
• UT 阈值：在验证集用 F1 标定（calibrate_ut_threshold）

快速开始

python -m pip install -e .
pytest
python scripts/run_inference.py "If x+3=10, what is x?"

训练难度分类器

训练数据格式（jsonl）：

{"question": "...", "tier": 1}

运行：

python scripts/train_difficulty.py --train data/train.jsonl --out checkpoints/difficulty.pt

说明

为保证仓库在离线环境可运行，默认提供 HashingEncoder 作为可替代冻结语义编码器；如需严格对齐论文中的 all-MiniLM-L6-v2，可将 FrozenEncoder 接口替换为 sentence-transformers 实例。