所有连续价位带扫荡的瓶颈深度合计：深度均匀度评分

实现 solution(bid_depths: list[int]) -> int。输入 bid_depths 是 bid 侧 order book 的逐档 snapshot（长度 N），其中 bid_depths[i] 为第 i 档最优买价的 resting notional（正整数）。对每个连续价位带 [l..r]（0 <= l <= r < N），整段一起扫荡时的瓶颈可部署深度即 bid_depths[l..r] 的最小值——段内最薄那一档限定了整段以挂单价能成交的 notional。snapshot 的深度均匀度合计评分就是所有连续价位带的瓶颈深度之和：

DUS = sum over all (l, r) with 0 <= l <= r < N of min(bid_depths[l], bid_depths[l+1], ..., bid_depths[r])

共有 N*(N+1)/2 个连续价位带。返回 DUS 对 1_000_000_007 取模的结果（K 档全等于 v 的均匀书评分为 K * v * (K + 1) / 2；总 notional 相同但带有一两个"软点"的书评分会远低于它的均值深度，因为每个跨过软点的价位带都把那一档的薄深度继承为自己的瓶颈）。

例：solution([4, 2, 5, 2, 3]) 返回 36。共 15 个子区间，其瓶颈 depth 依次为 4, 2, 2, 2, 2, 2, 2, 2, 2, 5, 2, 2, 2, 2, 3，求和得 36。两个最薄档（depth=2）在 15 个子区间里担任 min 的有 12 个（凡是覆盖到任何一个 depth=2 档的子区间均如此）；最深档 5 仅在自身单点子区间贡献。该规模下取模并未生效，但在隐藏 N=3000 全 1e6 的压力测试中原始和约 4.5e12，已数倍于模数，必须正确取模。

需要明确的细节：空输入 N=0 返回 0；只有一档时返回 bid_depths[0]（必然小于模数）；K 档全等于 v 的均匀书返回 K * v * (K + 1) // 2 mod 1_000_000_007，因为每个子区间最小值都是 v 而子区间共 K*(K+1)/2 个；输入若违反 depth 范围，行为未定义，调用方负责校验；比对器是取模后的整数精确等于（无浮点容差）。

朴素 O(N^2) 双重循环在每对 (l, r) 上更新 running min，对可见小例可行，但在 N=5000 时内层迭代约 1.25e7 次，且必须小心放置取模位置；它在受 timing 闸门的隐藏 large 用例上会失败。标准解法是把问题翻转的单调栈：对每个下标 i 直接数清楚有多少个 (l, r) 把 bid_depths[i] 选为最小值，再乘以 bid_depths[i] 累加。严格／非严格不对称的 tie-break（左严格小于、右小于等于）即便在 uniform book 下也保证每个子区间恰好对应一个"代表"下标 i。函数骨架见 stubs/stub.py。

实践背景

研究侧从撮合系统拿到 bid 侧的逐档 snapshot，其中 bid_depths[i] 表示第 i 档最优买价的 resting notional，常想要一个单一数字概括"如果要连续扫荡一段任意价位带，这个 book 的可部署性如何"。某段连续扫 [l..r] 的瓶颈深度，等于段内最薄那一档的 resting depth——它限定了整段以挂单价能成交的 notional。把所有连续价带 [l..r] 的瓶颈累加，就得到该 snapshot 的 depth-uniformity 分数：均匀厚的 book 这个分数远大于"总 notional 相同但有几档软点卡住扫荡"的 book，即便它们在一阶矩（均值深度、总深度）上完全相同。该复合特征用于交易前的流动性打分，也是合成 order-book 生成器的快速 sanity 过滤。朴素地按 (l, r) 双重枚举为 O(N^2)，N 超过几千档后就会拖累 snapshot 消费侧；工程目标是单档均摊 O(1)，因此采用单调栈。不对称 tie-break 不是装饰：当书内存在多档 depth 完全相等时，仍要让每个子区间恰好被一个"代表"下标统计，否则 depth-uniformity 分数会被重复 depth 虚增，下游过滤器会因虚假厚度误触。模数采用标准素数 10**9 + 7，仅在最末一步取模，中间累加用 Python 任意精度 int 不丢精度。