feat: Embedding FP16 开关 + 团队成员信息完善 + gitignore 更新

- infer.py: 新增 emb_fp16 CONFIG 选项（默认 False），Embedding 权重可 FP16 省查表带宽
- CLAUDE.md: 补充团队成员表（AI Studio 用户名→真实姓名）
- README.md: 新增团队区块，标注三人参赛身份
- .gitignore: 排除 DVC/HF 工具自动生成的元数据文件

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

.gitignore

@@ -18,5 +18,11 @@ eval.zip
 .vscode/
 .idea/
 
+# DVC & 工具自动生成
+.msc
+.mv
+dataset_infos.json
+.codegraph/
+
 # 密钥
 .env

CLAUDE.md

@@ -219,8 +219,16 @@ Baseline 数据：推理 229s，AUC 0.759，PCOC 1.110，得分 25.85。
 | 06/14 | 16 | 55.19 | 0.7526 | 1.059 | 102.2s | + Expert 合并 th=0.97 | 阈值过高 |
 | 06/12 | 3 | 43.55 | 0.7525 | 1.059 | 152s | + FP16 量化 | |
 
+### 团队成员
+
+| AI Studio 用户名 | 真实姓名 |
+|------------------|----------|
+| qianban139 | 张君硕 |
+| sidny1988 | 谢松熹 |
+| （队长账号） | 刘航宇 |
+
 ### 竞品参考
 
 | 用户 | 最高分 | 耗时 | AUC | PCOC |
 |------|--------|------|-----|------|
-| qianban139 | **67.87** | 47.9s | 0.7525 | 1.059 |
+| qianban139（张君硕） | **67.87** | 47.9s | 0.7525 | 1.059 |

README.md

@@ -4,6 +4,14 @@
 
 [![Gitea](https://img.shields.io/badge/Gitea-Serendipity%2FCTI--Inference--Opt-blue?logo=gitea)](https://gitea.liuhangyv.top/Serendipity/CTI-Inference-Opt)
 
+## 团队
+
+| 成员 | AI Studio 用户名 | 角色 |
+|------|------------------|------|
+| 刘航宇 | — | 队长 |
+| 张君硕 | qianban139 | 队员 |
+| 谢松熹 | sidny1988 | 队员 |
+
 ## 赛题
 
 > [比赛主页](https://aistudio.baidu.com/competition/detail/1461) · [大赛官网](http://cti.baidu.com) · [提交结果](https://aistudio.baidu.com/competition/detail/1461/0/submit-result) · [比赛规则](https://aistudio.baidu.com/competition/detail/1461/0/rules)

代码/code/infer.py

@@ -34,6 +34,7 @@ except Exception:
 # ============================================================
 CONFIG = {
     "fp16": True,             # True=半精度推理；False=FP32 参考跑（确立 AUC 天花板）
+    "emb_fp16": False,        # True=Embedding 也 FP16（省 ~10GB 显存带宽，AUC 可能微降）
     "keep_fp32_modules": (),  # fp16 下仍保留 FP32 的子模块名前缀，如 ("linear",)
     "expert_merge": True,     # 是否做 expert 权重相似度合并
     "merge_threshold": 0.90,  # 合并的余弦相似度阈值
@@ -700,14 +701,18 @@ def load_model(ckpt_path, device='cuda:0'):
 
         if CONFIG["fp16"]:
             model = model.half()
-            # Embedding 始终保留 FP32（int 索引查表，不受浮点精度影响）
-            model.rep_encoder.emb = model.rep_encoder.emb.to(torch.float32)
+            # Embedding FP16：省 ~50% 查表带宽（5M×512: 10GB→5GB），AUC 可能微降
+            if not CONFIG.get("emb_fp16", False):
+                model.rep_encoder.emb = model.rep_encoder.emb.to(torch.float32)
             # 额外保留 FP32 的精度敏感模块（输入/输出自动转换）
             for name, module in model.named_modules():
                 if name and any(name.startswith(p) for p in CONFIG["keep_fp32_modules"]):
                     _force_fp32_io(module)
-            print(f"[INFO] FP16 on; FP32-kept: "
-                  f"{('rep_encoder.emb',) + tuple(CONFIG['keep_fp32_modules'])}")
+            kept = []
+            if not CONFIG.get("emb_fp16", False):
+                kept.append("rep_encoder.emb")
+            kept.extend(CONFIG["keep_fp32_modules"])
+            print(f"[INFO] FP16 on; FP32-kept: {tuple(kept)}")
         else:
             model = model.float()
             print("[INFO] FP32 reference (no half)")