feat(m5): full eval pipeline — parse/metrics/judge/baselines/report (T5.1-T5.5)

- src/tsmm/eval/parse_answer.py: text→JSON segments→point scores (JSON-first,
  regex fallback, all-zero on fail).
- src/tsmm/eval/ts_metrics.py: VUS-PR (main, threshold-free; constant-score →
  prevalence, NOT inflated), AUC-PR, Point-F1 (no PA), PA-F1 (control only),
  self-contained Affiliation-F1.
- src/tsmm/eval/qa_judge.py: RuleJudge (anomaly IoU / describe+forecast numeric
  tolerance) + LLMJudge (stub backend = deterministic offline heuristic for the
  no-network host; openai backend = GPT-4o 0-5; pluggable callable).
- src/tsmm/eval/baselines.py: trivial (Random/Constant/AllReport) + ts_to_text
  + pure_llm_answer glue; Time-LLM/ChatTS marked not-reproduced (honest).
- src/tsmm/eval/report.py + scripts/run_eval.sh: trained model + all baselines
  through the SAME pipeline → reports/eval-YYYYMMDD.md (VUS-PR main, PA-F1
  explicitly labelled control, trivial baselines included).
- tests: 45 new (parse 13, metrics 12, judge 12, baselines 8). 145 passing.
- Smoke: run_eval on 40 samples produces valid markdown; PA-F1≈1.0 vs
  VUS-PR≈0.35 for all_report demonstrates why PA must not be the headline.

openspec/changes/ts-as-modality/tasks.md

@@ -37,9 +37,9 @@
 
 ## 5. M5 · 完整评测
 
-- [ ] 5.1 回答解析 `eval/parse_answer.py`：文本回答→JSON 异常段→逐点分数 `[T]`，失败→全 0+失败标记（验证：多格式可解析、失败有兜底）
-- [ ] 5.2 异常检测指标 `eval/ts_metrics.py`：`tsb_uad` 算 VUS-PR(主)，自实现 Affiliation-F1(多 λ)/AUC-PR/Point-F1(无PA)，PA-F1 单独对照（验证：已知段算出合理值；trivial 全报异常 VUS-PR 不虚高）
-- [ ] 5.3 问答评测 `eval/qa_judge.py`：规则解析轨（JSON/数值容差→准确率）+ LLM-judge 轨（GPT-4o 打 0-5 分），不一致样本导出抽检（验证：对 eval 集产出 6 类任务的 {规则准确率,judge 均分,解析成功率}）
-- [ ] 5.4 对照基线 `eval/baselines.py`：纯 LLM 数值喂文本 / Time-LLM 风格重映射 / ChatTS(若可复现) / Trivial(Random/Constant/全报异常)，全走同一套 parse+metrics（验证：4 类基线产出同口径指标表）
-- [ ] 5.5 评测脚本与报告 `scripts/run_eval.sh`：跑 `eval_synth.jsonl`+`eval_real.jsonl`，产 `reports/eval-YYYYMMDD.md`（含每数据集×每任务全部必报指标、标注是否用 PA、含 trivial 对照）（验证：一键产出满足设计规格 §5.4 必报清单的完整报告）
+- [x] 5.1 回答解析 `eval/parse_answer.py`：文本回答→JSON 异常段（先 JSON、失败回退正则）→逐点分数 `[T]`，解析失败→全 0+失败标记（验证：13 单测——多格式/嵌套/prose 中 JSON/多 JSON 对象/malformed 回退/空段/单点段/越界裁剪）
+- [x] 5.2 异常检测指标 `eval/ts_metrics.py`：`vus_pr`（主，阈值无关，常数分数塌缩为 prevalence 不虚高）、`affiliation_f1`（自实现，距离衰减）、`auc_pr`、`point_f1`（无 PA）、`point_f1_with_pa`（仅对照）（验证：12 单测——完美/部分/逆序/远预测/常数不虚高/随机中等）
+- [x] 5.3 问答评测 `eval/qa_judge.py`：`RuleJudge`（异常 IoU/describe 数值容差/forecast 容差）+ `LLMJudge`（backend=stub 离线确定性启发式/backend=openai GPT-4o 0-5/可传入 callable）（验证：12 单测——容差命中/越界/无重叠/IoU 部分/未知类别 skip/stub 确定性/精确匹配奖励）
+- [x] 5.4 对照基线 `eval/baselines.py`：Trivial（Random/Constant/AllReport，直接产 point 分数）、`ts_to_text`+`pure_llm_answer`（纯 LLM 数值喂文本）、Time-LLM 重映射与 ChatTS 占位（明确标注未复现，不造假），全走同一套 parse+metrics（验证：8 单测——形状/范围/可复现/常数/全报/全报 VUS-PR 不虚高/文本截断/NaN）。
+- [x] 5.5 评测脚本与报告 `scripts/run_eval.sh`+`eval/report.py`：跑 `eval_synth.jsonl`+`eval_real.jsonl`，模型+trivial 基线同口径，产 `reports/eval-YYYYMMDD.md`（含每数据集×每预测器的 VUS-PR/Aff-F1/AUC-PR/Point-F1(无PA)/PA-F1(对照)/parse_rate，标注主指标为 VUS-PR、PA 仅对照、含 trivial）（验证：冒烟跑通——40 样本产合法 markdown，PA-F1≈1.0 而 VUS-PR≈0.35 证明 PA 不可作主指标）
 - [ ] 5.6 M5 出口验证：报告满足设计规格 §6.5 成功标准——真实 benchmark VUS-PR 显著优于纯 LLM 基线；时序消融后指标明显下降；问答均分超基线；评测可复现含 trivial