Docker-сервис, выбор основы и сравнение моделей, сборщик датасета

- Docker: Dockerfile (CPU), compose с FlareSolverr, настройка через DUB_* переменные,
  токен доступа к /predict, tools/pack_models.py, workflow Gitea Actions, docs/docker.md
- Модель грузится офлайн (config.json рядом с весами); общий код вынесен в src/spans.py,
  сервису не нужны sklearn/matplotlib/pandas
- Обучение: профили tiny2/base/large/modern, запуски в models/runs, реестр и честное
  сравнение на одной тестовой выборке (src/runs.py), пункт меню «Модели»
- Датасет: язык и аудио-параметры дорожек, 18+ по строкам «Аудио», ручные метки по ссылкам,
  переиндексация сохранённого HTML, параллельная сборка, сбалансированная выборка
- Тексты страниц (data/pages) больше не хранятся в git

Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com>

docs/training-windows.md

@@ -46,6 +46,33 @@ CUDA, GroupKFold-сплиты, ранний stopping (patience 3), метрик
 64, до 20 эпох; base — lr 3e-5, batch 32, до 10 эпох; AdamW, weight_decay
 0.01, linear warmup 10%, grad clip 1.0, seed 42.
 
+## Выбор основы и сравнение моделей (меню, пункты 2 и 7)
+
+`python tools/collect.py` → «2 Переобучить»: после вопроса «сегментатор + основные модели» предлагается
+список основ. Каждая обучается отдельным запуском в `models/runs/<время>_<профиль>/` (`python -m src.train
+--runs`), **`models/best`, `reports/final_*` и `summary.md` при этом не меняются**.
+
+| профиль | основа | замечания |
+|---|---|---|
+| `tiny2` | rubert-tiny2, 30M | самая быстрая, подходит для ONNX/CPU |
+| `base` | ruBert-base, 178M | текущий рабочий выбор |
+| `large` | ruBert-large, 427M | помещается в 16 ГБ (bf16, batch 16); обучение ~3× дольше base, инференс на CPU медленнее |
+| `modern` | RuModernBERT-base, 149M | новая архитектура; ONNX-экспорт проекта (`token_type_ids`) её не принимает |
+
+Кросс-валидация (5 прогонов) на итоговую модель не влияет, нужна только для оценки устойчивости; без неё
+обучение примерно в 6 раз короче. Флаги CLI: `--folds 0`, `--lr`, `--batch`, `--epochs-override`, `--tag`.
+
+Пункт «7 Модели» (и конец пункта 2) сравнивает **все** модели (`models/best`, запуски, `best_backup_*`,
+`models/tiny2`) на **одной и той же текущей тестовой выборке**: каждая оценивается заново, в своём входном
+формате (без «[RUS AC3 …]» для моделей, обученных без аудио-контекста). Цифры кэшируются в
+`<модель>/eval.json` под отпечатком выборки. Таблица показывает joint exact с 95% интервалом и парное
+сравнение с `models/best`: сколько строк новая модель починила и сколько сломала, значима ли разница
+(знаковый критерий). Разница в пределах шума так и помечается. Звёздочка у модели означает, что она обучена
+на другом разбиении и часть текущих тестовых строк могла видеть — её цифры завышены. Выбранная модель
+копируется в `models/best` (прежняя уходит в `models/best_backup_*`, откат — тем же пунктом); перед заменой
+выводятся предупреждения (другая основа нужна в кэше Hugging Face на машине сервиса, вес, ONNX).
+Запуски и архивные копии можно удалять из того же меню (каждая 0.1–1.4 ГБ).
+
 ## Переобучение на свежем датасете
 
 Сборщик (`deepseek-harness/default-workspace/dataset.py`) дописывает