Freeze targeted introduction storyline

AGENTS.md

@@ -21,36 +21,46 @@
 跨过下一次 other onset，yield 不能跨过下一次 other offset。在该问题修正前，事件结果
 只能称为 timing-derived proxy。
 
-## Targeted manuscript 的固定故事主线
+## Targeted manuscript 的 Introduction 冻结叙事
 
-写作入口是**第一视角会话代理的 when-to-speak 预测**：相机佩戴者通常不在画面里，
-模型须从严格因果的多人音视频流预测其未来讲话活动。先概述活跃的 turn-taking/VAP、
-多方对话和流式语音交互研究，再准确定位缺口：第一视角 AV 已有 EgoSpeak、
-3M-Transformer、AV-CONV 等先例，不能宣称“首个 egocentric AV turn-taking”；
-当前要研究的是单个 wearer 的 5 Hz 未来活动预测中，Omni 全局状态能否及时暴露
-局部视听证据。相关工作按轮次预测、第一视角视听、流式 Omni/编码器适配三组组织，
-以约 25--30 篇经过核对的文献支撑，而非堆砌引用。具体边界见
-[`docs/multiparty_egocentric_floor_gap_audit_2026-08-30.md`](docs/multiparty_egocentric_floor_gap_audit_2026-08-30.md)。
+以下四段的顺序、问题定义和论证主线已经确定。除非用户明确要求，后续不再重排
+Introduction 的故事或改换核心研究问题；可继续核实文献、修正证据边界、精炼学术措辞和
+调整排版。以 [`manuscript/targeted/main.tex`](manuscript/targeted/main.tex) 的 Introduction
+为正文基准，不把计划写成实测。
 
-方法叙事是两个**截止时刻对齐的接口**，不是声称所有 Omni 都缺乏局部感知：
+1. **任务与动机。** 从第一视角会话代理能够回答现场问题、补充语境、辅助佩戴者出发，
+   说明它不仅要决定说什么，还要决定何时开始、等待、停止说话。判断依赖严格因果的
+   音频、可见行为和语言线索；人数与角色随场景变化。两名可见的人彼此交谈不应触发
+   代理回复，且 wearer 通常不在画面中。因此关注的是 wearer 的未来讲话活动，而非
+   当前可见说话人身份、addressee 或语义 EOT。
+2. **相关工作与精确缺口。** 原先分开的相关工作段落合为一个自然段，不加黑体引导词。
+   连贯比较 VAD 的语音活动、双人 VAP 和 Easy Turn/FastTurn 的轮次预测、双人 AV、
+   固定三人和可变人数研究、MuVAP 的第三方静态视角及人脸轨迹、缺乏视觉关系信息的
+   device-directed speech，再承认 EgoSpeak 已在 EasyCom/Ego4D 做第一视角 wearer
+   未来语音预测，以及 3M-Transformer、AV-CONV、SICNet 和 active-speaker 工作的
+   不同目标。缺口是：自然多人、单个第一视角、严格因果的流中，**集成式流模型如何
+   保留预测截止时刻附近的证据，以预测不可见 wearer 的未来活动**。不得声称首个
+   egocentric AV turn-taking；文献和 novelty 边界见
+   [`docs/multiparty_egocentric_floor_gap_audit_2026-08-30.md`](docs/multiparty_egocentric_floor_gap_audit_2026-08-30.md)。
+3. **Omni 进展与局限。** 说明模态编码器、共享语言模型状态提供全局音视频与语义上下文；
+   具体介绍 Qwen2.5-Omni 3B/7B、分块处理、Thinker/Talker。本研究实测的是冻结 3B
+   Thinker readout，7B 仅为计划控制。在本项目配置中，原生 2 秒音频块相对 200 ms
+   预测频率较粗：只复用完成块会使局部证据变旧，强行每 200 ms 提交则改变原生块表示。
+   多层集成状态可能不如编码器特征直接暴露瞬时线索，但仍有全局上下文优势；不能
+   泛称所有 Omni 模型都缺乏局部感知。
+4. **本文观点与三项贡献。** 先提出保留 Omni 全局状态、同时在每个因果截止点显式接入
+   近期模态证据的观点，再以冒号引出三项贡献：(1) SWE（short-window encoder
+   evidence，短窗编码器证据）将近期音频与可选的因果人物框视觉特征接入冻结 Omni
+   预测头；“短窗”指时间局部，不是浅层网络或任务级端到端训练。(2) PTR（partial-tail
+   refresh，部分尾块刷新）在复用已完成块时只查询未完成块已观测前缀，不把它提交到
+   持久历史；其收益须由相同 cutoff、相同上下文上限的配对实验验证。(3) EasyCom
+   细致分析与 Ego4D 同协议迁移评估。当前只有 EasyCom 已归档筛查结果；Ego4D 分数、
+   匹配 PTR 消融和可靠事件级行为结论仍待完成，不能写成已验证的提升。
 
-- **SWE（short-window encoder evidence，短窗编码器证据）**：把最近 1 秒的音频
-  编码特征及可选的因果人物框视觉特征直接接到冻结 Omni readout 的预测头。
-  “短窗/时间局部”指观测范围，不称为浅层网络特征，也不把冻结骨干加 head 写成
-  端到端训练。
-- **PTR（partial-tail refresh，部分尾块刷新）**：在复用已完成块的同时，于每个
-  200 ms 截止时刻只查询当前未完成 2 秒块的已观测前缀。2 秒是本项目 Qwen 提取
-  的块设置，相对 200 ms 决策间隔较粗；不能推广为所有 Omni 模型的固定块长。
-  PTR 的独立准确率收益和运行延迟须经相同 cutoff、相同上下文上限的配对实验验证。
-
-论文按 Introduction/Related Work → Method → Experiments → Results and Analysis →
-Conclusion 展开。EasyCom 用官方 Sessions 4--12/1--3 划分做 0.2--2.0 秒十个
-horizon mAP、raw onset/offset、局部音视频与 oracle/时序消融；Ego4D 用于同协议
-迁移检验。**当前只有 EasyCom 已归档筛查分数；Ego4D 测试分数、匹配的 PTR
-消融和可靠的事件级行为结论均未完成**。稿件可写明 Ego4D 实验协议与待填表，
-不得写成已获得跨数据集提升；raw endpoint AP 不能替代语义 EOT/INT。将实测、
-历史非匹配 screen、分析用 privileged oracle、待测方案明确分开。targeted 正文见
-[`manuscript/targeted/main.tex`](manuscript/targeted/main.tex)。
+后续 Method → Experiments → Results and Analysis → Conclusion 顺着这条主线展开。
+EasyCom 遵循官方 Sessions 4--12/1--3 划分；十个 0.2--2.0 秒 horizon 的活动预测、
+raw onset/offset、局部音视频和 oracle/时序消融应区分实测、历史非匹配 screen、
+仅用于分析的 privileged oracle 与待测方案。raw endpoint AP 不等同语义 EOT/INT。
 
 ## 不可破坏的研究契约