1000 张域内标注 → 训练分类头 → 留出 400 张评估

训练：vtennis_lei_v0 抽样 1000 张，Opus 5 标注 + 人工分层复核 · 测试：vlmcmp 留出 400 张人工标注，全流程从未见过

63.5%H3 b33 最佳头

71.8%Claude Opus 5

−8.3百分点差距

27.0%此前跨域迁移

32.5%多数类

结论：域内标注把这条路救活了，但还没赢。 从跨域迁移的 27.0%（低于随机）提升到 63.5%，翻了一倍多 —— 域内标注确实有效。但仍比给它打标签的 Opus 5 低 8.3 个点， 学生没有超过老师。就当前状态而言，直接用 Opus 5 标注仍是更优选择。

横向对比（同一批 400 张）

方法	准确率	说明
Claude Opus 5	71.8%	零样本 VLM
GPT-5.5	64.0%	零样本 VLM
全部1000 · mean+traj	63.5%	训练 1000 张
全部1000 · 类别加权	63.2%	训练 1000 张
全部1000 · 仅mean+加权	61.8%	训练 1000 张
全部1000 · 仅mean	61.3%	训练 1000 张
Qwen3.6-27B (本地部署)	55.7%	零样本 VLM
仅人工审核416 · mean+traj	54.0%	训练 416 张
仅人工审核416 · 类别加权	53.2%	训练 416 张
多数类	32.5%

两个和直觉相反的发现。
① 类别加权无效（−0.2 点）。训练集 43.7% 是 other、测试集只有 20.8%，本以为先验不匹配是瓶颈 —— 不是。
② 只用人工审核的 416 张反而暴跌 9.5 点（63.5% → 54.0%）。这条最有信息量：数据量 > 标签质量。416 张高质量标签打不过 1000 张含噪标签，说明瓶颈是样本不足而非标签噪声 —— 要提升就得扩量，不是提纯。
③ 轨迹特征有效：mean+traj 比仅 mean 高 2.2 点。

标注质量（1000 张是怎么来的）

任务 / 层	审核数	修正数	修正率
hitting:audit	165	3	1.8%
hitting:must	512	36	7.0%
stroke4:audit	165	3	1.8%
stroke4:must	512	122	23.8%

分层规则（镜像不一致 + 低置信）非常准： stroke4 的 must 层修正率 23.8%，audit 层只有 1.8%，错误密度差 13 倍。未审的 323 张估计残余错误约 6 个（95%CI 2–17），即最终标注集准确率 98.3%–99.4%。

QC：100 张已知答案上，Opus 5 原始一致率 83.0%，人工复核后 86.0%。