chore(scratch): archives des scripts exploratoires de choix d'OCR

Conservés comme trace de recherche — non documentés, non factorisés,
ne pas dépendre de ce dossier depuis le code de production.

- test_glm_ocr.py          : benchmark GLM-OCR 0.9B (écarté pour
                             faiblesse sur dp_libelle, praticien et
                             colonne Recodage).
- test_got_ocr.py          : tests GOT-OCR2.0 (échec sur tableaux
                             denses à en-têtes verticaux).
- test_paddle.py           : tentative PaddleOCR (incompatible avec
                             paddlepaddle installé).
- test_surya.py            : tentative Surya (incompatible
                             transformers 5.6).
- test_qwen_vl.py          : Qwen2.5-VL-7B (excellent mais 220s/page,
                             écarté faute de VRAM et vitesse).
- test_qwen_vl_3b.py       : Qwen2.5-VL-3B (retenu, 3s/page, qualité
                             > GLM-OCR sur les champs critiques).
- test_prompt_ab.py        : A/B test prompts Accord/Désaccord.
- test_prompt_crop*.py     : prompts + crop ciblé checkboxes (échec
                             → module pipeline/checkboxes.py).
- test_prompt_recueil_*.py : prompts page recueil (consignes verbeuses
                             dégradent la sortie, cf. discussion).
- README.md                : index du dossier.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

scratch/test_prompt_recueil_ab.py

@@ -0,0 +1,105 @@
+"""A/B test prompts page recueil — champs qui échouent en V1.
+
+Cible : dp_libelle, praticien_conseil, codage_reco.dp, ghs_reco.
+Ground truth = JSON legacy (sauf quand on l'a corrigé manuellement).
+"""
+import json
+import time
+from pathlib import Path
+from pipeline.ocr_glm import GLMOCR
+from pipeline.ingest import pdf_to_images
+from pipeline.extract import parse_json_output
+
+
+# ======== Prompts à comparer ========
+
+PROMPT_V1 = """Lis la fiche médicale OGC et renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+Si un champ est illisible, laisse une chaîne vide.
+
+{
+  "codage_etab":  {"dp": "", "dp_libelle": "", "dr": "", "das": [{"code":"","position":"","libelle":""}]},
+  "codage_reco":  {"dp": "", "dr": "", "das": [{"code":"","position":""}]},
+  "ghm_etab": "", "ghs_etab": "",
+  "ghm_reco": "", "ghs_reco": "",
+  "praticien_conseil": ""
+}"""
+
+PROMPT_V2 = """Lis cette fiche médicale OGC (contrôle T2A). Renvoie STRICTEMENT le JSON suivant, sans commentaire ni markdown.
+
+RÈGLES IMPORTANTES :
+- Le tableau "Codage de l'Établissement / Recodage" a DEUX colonnes distinctes : les codes "Recodage" sont dans la colonne la plus à DROITE, séparés des codes "Établissement" (à gauche). Ne recopie JAMAIS les codes Établissement dans Recodage.
+- "dp_libelle" = texte descriptif à droite du code DP (ex: "HEMORR. ET HEMATOME COMPLIQ. UN ACTE, NCA").
+- "ghm_etab", "ghs_etab", "ghm_reco", "ghs_reco" sont sur UNE SEULE ligne en bas, dans cet ordre (4 valeurs).
+- "praticien_conseil" = nom manuscrit (DR + nom) en bas de page sous "Nom du praticien conseil responsable du codage".
+- Si un champ est illisible, laisse une chaîne vide. Ne devine pas.
+
+{
+  "codage_etab":  {"dp": "", "dp_libelle": "", "dr": "", "das": [{"code":"","position":"","libelle":""}]},
+  "codage_reco":  {"dp": "", "dr": "", "das": [{"code":"","position":""}]},
+  "ghm_etab": "", "ghs_etab": "",
+  "ghm_reco": "", "ghs_reco": "",
+  "praticien_conseil": ""
+}"""
+
+
+CASES = [
+    ("2018 CARC/OGC 7.pdf",  1),
+    ("2018 CARC/OGC 27.pdf", 1),
+    ("2018 CARC/OGC 55.pdf", 1),
+    ("2018 CARC/OGC 86.pdf", 1),
+]
+
+
+def get(d, path, default=""):
+    for k in path.split("."):
+        d = d.get(k, {}) if isinstance(d, dict) else default
+    return d if d else default
+
+
+def compare_fields(label, extracted, legacy):
+    fields = {
+        "codage_etab.dp":         ("codage_etab.dp",         "codage_etab.dp"),
+        "codage_etab.dp_libelle": ("codage_etab.dp_libelle", "codage_etab.dp_libelle"),
+        "codage_reco.dp":         ("codage_reco.dp",         "codage_reco.dp"),
+        "ghm_etab":               ("ghm_etab",               "ghm_etab"),
+        "ghs_etab":               ("ghs_etab",               "ghs_etab"),
+        "ghm_reco":               ("ghm_reco",               "ghm_reco"),
+        "ghs_reco":               ("ghs_reco",               "ghs_reco"),
+        "praticien_conseil":      ("praticien_conseil",      "praticien_conseil"),
+    }
+    print(f"    --- {label} vs legacy ---")
+    for f, (pe, pl) in fields.items():
+        v_ext = str(get(extracted or {}, pe)).strip()
+        v_leg = str(get(legacy, pl)).strip()
+        # Comparaison tolérante sur dp_libelle (tronqué dans legacy)
+        if f == "codage_etab.dp_libelle":
+            match = v_leg in v_ext or v_ext in v_leg if (v_ext and v_leg) else (v_ext == v_leg)
+        else:
+            match = v_ext == v_leg
+        mark = "✓" if match else ("∅" if not v_ext and not v_leg else "✗")
+        print(f"      {mark} {f:26s} ext={v_ext!r:45s} leg={v_leg!r}")
+
+
+def main():
+    ocr = GLMOCR()
+    print(f"VRAM = {ocr.vram_gb:.2f} Go\n")
+
+    for pdf, page in CASES:
+        name = Path(pdf).stem
+        images = pdf_to_images(pdf)
+        img = images[page - 1]
+        with open(f"output/{name}.json") as f:
+            legacy = json.load(f)["recueil"]["parsed"]
+
+        print(f"=========== {name} ===========")
+        for label, prompt in [("V1 (actuel)", PROMPT_V1), ("V2 (précisé)", PROMPT_V2)]:
+            t0 = time.time()
+            res = ocr.run(img, prompt, max_new_tokens=2048)
+            parsed = parse_json_output(res["text"])
+            print(f"  [{label}] ({time.time()-t0:.1f}s)")
+            compare_fields(label, parsed, legacy)
+        print()
+
+
+if __name__ == "__main__":
+    main()