P研究工作台PAPER NOTES2026-10-04
RESEARCH NOTE / 02
方法稿 · 效果待测证据快照,非实时运行状态

把最终补丁反馈,分配到编辑轮次

Counterfactual Edit Credit for Long-Horizon Software Agents

方法已实现:完成轨迹后,删除一个符合资格的编辑块,在新环境复测,把效用差加到产生该块的生成轮次。开发 pilot 已观察到非零信号,但信号存在不等于训练有效。现稿是可编译的方法与协议稿,主要 M−B 比较仍未测量。最近训练恢复记录停在 34/80 次完成调用;下一步先关闭恢复和评测准入缺口,再进行受控比较。[R1][R4]

可靠结论
320 条开发轨迹中,244 次删除查询可用,92 次有非零差异。[R1]
最大卡点
受控训练与同栈终评未完成,恢复和环境未决项仍需关闭。
下一步
先审定恢复与逐槽位评测准入,再完成 O/B/M/E 比较。[R4][R5]
网页整理 2026-10-04证据截止 2026-10-01 汇总更正;训练记录止于 09-28稿件版本 2026-10-01
这是保留的研究背景说明。最新进展、日报与问题请看 当前工作台。
02

为什么研究这个问题

假设修复轨迹先读配置、改函数、补测试、又修一个回归,最后才运行测试。终局奖励只告诉我们补丁是否通过,却没有告诉训练器哪些编辑有帮助。把同一个奖励作用到整条长轨迹,可能无法突出真正产生差异的部分。

这里选择对最终产物做干预:保持已完成的其他内容,只把一个编辑块触及的路径恢复到编辑前,再测一次。这样不用让代理重走后面的轨迹,也不需要为每个轮次都分叉生成。查询量有界,但复测、排队和训练服务的真实总成本仍要独立记录。[R1][R2]

本文的核心问题是分配规则是否有效。即便删块后测试结果变化,也只能说明这个条件对照含有信息;要证明模型学得更好,需要用相同训练协议比较局部集中、整条广播和终局反馈控制。最终产物的删除差也不能直接解释为自然执行中省略该动作的因果价值。[R2][R3]

  1. 01长轨迹包含多轮编辑
  2. 02最终补丁才有测试反馈
  3. 03删除一个保留编辑块
  4. 04检验局部分配是否更有效
03

核心想法与贡献定位

输入是一条完成的代理轨迹及其文件快照。选择一个符合资格、仍能在最终产物上恢复的编辑块;选择不查阅 verifier 结果。按路径恢复编辑前内容,得到去块产物,在新环境测试。原产物与去块产物的效用差 D 成为辅助信用;没有完整报告时保留不可用,不伪造零效用。[R2][R6]

O 只使用共同终局规则;B 额外获得反事实差,把它广播到全部生成位置;M 使用相同类型的差,集中到选中块对应轮次的生成位置;E 聚焦终局优势但不查询反事实。主要 M−B 比较考察分配方式,M−O 和 M−E 是补充比较。辅助项加到原终局优势上,并不替换它。[R2][R6]

同一冻结参考轨迹上,B/M 通过共享收缩保持原始带符号与 L1 系数质量相等。集中会改变平方质量与后续优化,因此质量相等不表示梯度、裁剪或在线轨迹相等。当前贡献是一个可执行的最终产物干预机制与受控比较协议;优于其他分配方式仍是待验证主张。[R2][R3]

  1. 01完成轨迹与快照
  2. 02独立选择保留编辑块
  3. 03按路径恢复并复测
  4. 04D 加到 B/M 的生成位置
贡献 1

已实现:每条准入 rollout 至多一次额外反事实 verifier trial,无额外策略续写。[R2]

贡献 2

已观察:开发 pilot 包含非零删除差,包括部分失败原轨迹。[R1]

贡献 3

待验证:局部分配 M 在留出任务上优于 B/O/E,且收益值得其总成本。[R1][R2]

40 秒,看懂反事实编辑信用

机制示意 · 无实测数字 · 默认不播放
01 轨迹与补丁02 删除编辑块03 一次复测04 分配信用
一条完成轨迹 → 最终补丁 P
轮次 A
读取
轮次 B
定位
选中块
编辑
轮次 D
检查
轮次 E
提交
只选择符合资格的保留编辑块;选择不查阅 verifier 结果。

代理先完成原轨迹。最终补丁 P 来自多轮操作,终局测试反馈难以区分各轮编辑的作用。

00:00 / 00:40
静态分镜与文字说明(不播放也能读懂)
  1. 0—10 秒:原轨迹完成,得到最终补丁 P。只考虑符合资格的保留编辑块,选择独立于测试结果。
  2. 10—20 秒:在最终产物上,把选中块触及的路径恢复为编辑前内容,构造 P 去块版本;不让代理重走后续轨迹。
  3. 20—30 秒:在新环境中执行一次额外 verifier trial,比较原产物与去块产物的效用,得到有符号差 D。删除差是最终产物条件对照,不能直接当作自然动作因果价值。
  4. 30—40 秒:B 把辅助反馈广播到全部生成位置,M 集中到产生选中块的轮次生成位置;共享收缩下原始带符号/L1系数质量相等。图中的条形仅表示分配位置;平方质量、梯度和裁剪不因此相等。
04

如何验证这个想法

研究设计围绕分配方式、信号来源和真实开销展开。辅助接口检查、参数变化和环境控制分别用于确认实现与执行;它们不能填入模型效果表。[R1][R6]

研究问题实验与对照判定标准 / 当前边界
局部分配是否更有效?O/B/M 三种子计划;E42 补充控制;主终点 80 步。主要 M−B 的同栈留出效果与任务配对比较;目前未测量。[R2]
删除差有没有信息?320 条开发轨迹,筛选合格块,再独立复测。报告可用查询、非零差及失败原轨迹的分母;不推出学习收益。[R1]
评分能否可信复现?原补丁复测、gold/empty 环境控制与固定测试观测。完整观测、预期结果和 unknown 分开;不以原始返回码替代准入。[R1][R5]
额外反馈值不值得?记录生成 token、额外 verifier、排队、服务时间和 GPU 小时。查询上界成立;总训练成本及效果成本前沿仍待实测。[R1][R2]
05

已完成工作与关键结果

320开发 pilot 原轨迹40 任务 × 8 条 [R1]
244可用删除查询41 格式错误、34 无块、1 无原效用 [R1]
92非零删除差92/244;仅为机制信号 [R1]
未测量主要 M−B 策略效果不是代码检查或训练 reward [R1]

实测已说明“这个操作能得到信号”,还没有回答“用这个信号训练后更好”。另一个实质进展是 500 题共同环境控制全部执行,但完整性仍有未决,因此不能写成正式模型评测已放行。[R1][R5]

工作 / 比较观察与口径当前判断
非零删除信号92/244=37.7%;其中失败原轨迹 17/111 有非零差(12 正、5 负)。支持信号可用性;不能证明归属准确或学到更好的策略。[R1]
辅助项 cap92 个非零差中 83 次触发 cap(90.2%)。多数非零样本进入 sign/support 区域,需要分析优化几何;不把 D 幅度当成原样保留。[R1]
原产物复现 / 服务重复120 次跨机器 factual replay 的报告标签一致;244 次干预重复报告一致。支持这组记录的复现,未覆盖所有生产环境与模型终评。[R1]
共同环境最终覆盖500 题/1000 控制;raw 符合预期 995,strict 符合预期 862,报告二元 887,未决 113。这些是控制级覆盖;其中 20 个部分观测零、5 个预期差异仍保留。不是模型分数。[R5]
O42-retry1 恢复记录截至 09-28 完成训练调用 34/80;父容器 exit137,OOMKilled=false。终止归因仍未决;没有自动重启和恢复证明,不显示为实时训练中。[R4]
M−B / M−O / M−E未测量;留出策略效果、种子比较和总训练成本 Pending。主方法的实证贡献尚未完成。[R1][R6]
展开:指标口径与实验细节

pilot 原有 40 任务×8 条,正式训练准入为 149 任务,相关开发子集为 39 任务。主评测官方500和封存holdout100保留固定分母;开发机制 pilot 不能冒充 holdout 效果。[R2][R6]

同一244干预的两次部署服务时间均值分别为237.3秒与115.1秒,95分位416.9秒与189.9秒;服务时间包含setup、verification与cleanup,不含semaphore等待。机器、并发和清理一起变化,不能把差值解释为缓存的单独因果收益。[R1]

报告二元887不是887个通过控制,其中5个与预期不同;strict862要求完整固定PASSED/FAILED观测且符合预期。113未决、20部分观测零、5差异不是三个互斥可直接相加的类别。10-01已修正旧聚合数字,页面采用修正后文件。[R5][R7]

06

这些结果意味着什么

机制有信号、模型发生参数更新、同栈留出效果成立,是三个不同层次。当前只能把前两个层次的局部技术证据分别记录;效果仍然空缺。[R1][R4]

主张证据判断仍缺什么
删块产生可用反馈244 usable / 92 nonzero。在这组开发轨迹得到描述性支持。[R1]对学习有用、对归属准确的独立证据。
查询数量有界单块选择、一次复测、无续写。机制界成立。[R2]生产排队、失败与总训练开销核算。
M 改善策略主要比较未测量。未成立,保持 Pending。[R1]有效受控训练、各臂同栈终评与留出效果。
500 环境已经就绪全部控制已执行但保留未决与差异。覆盖扩大,不等于正式准入。[R5]逐槽位归因、相同观测合同、正式 release。
质量相等隔离了所有优化因素仅原始带符号/L1系数相等。不支持梯度或平方质量等价。[R3]若要更强归因,需要额外匹配的重定位或信息控制。
07

尝试过哪些路线

早期运行已经暴露历史污染、判分回退与资源故障。现阶段保留其证据,但主比较必须重新获得干净、可追溯的执行材料。[R3][R7]

路线观察决定与启示
旧污染与无效训练旧M历史存在污染;旧B/O也不能简单当成当前干净对照。原日志和存点归档,不能拿旧在线reward填新的方法效果。[R7]
评分适配器恢复早先存在无完整grading report的零分路径。修复后需完整判分证据;缺反馈可能减少模型安装失败的负反馈,按臂报告。[R3]
O42-retry1有数值/存点检查,34次完成调用后外部终止。恢复需绑定准确checkpoint与终止证据,容器重启不等于研究run恢复。[R4][R7]
共同环境覆盖全部500题控制执行完毕,聚合后续纠正。保留unknown与环境差异,完成覆盖只是准入工作的输入。[R5]
展开:版本与历史结果如何处理

这里没有继续旧Harness Before Policy叙述作为主贡献。工程故障解释实验有效性,主文仍应围绕最终产物干预和分配对照。旧实验不能从结果表中消失,也不能作为新协议的有效结果混入。[R2][R7]

当前恢复记录没有覆盖10-04的现场进程。页面明确写截至09-28,而不是猜测训练持续、已经完成或需要立即重新启动。[R4]

08

论文写作进度

现稿有方法、实验协议、机制pilot、限制和附录;数值审查与写作循环在既有记录中属于same-family/provisional范围。稿件验收约定明确这是draft,不等于方法有效或投稿就绪。当前PDF已有10-01产物,部分审查记录早于它。[R6][R8]

本地当前 PDF:15 页。页数是产物信息;研究有效性和投稿准备度需分别判断。
部分写作状态交付缺口 / 核对范围
摘要 / 引言已有草稿写清机制与信号观察,禁止预告未存在的效果增益。[R1][R6]
相关工作 / 方法已有草稿定义块选择、恢复、效用、B/M/E及优化限制。[R2][R3]
实验设计已有草稿计划与已执行分开;终点、训练题与留出划分需按真实release更新。[R2]
策略主结果 / 总成本待新证据重写M−B等及总体成本仍未测量,主表明确Pending。[R1]
机制结果已有草稿pilot、cap、复现与服务时间有来源;不升格为能力提升。[R1]
限制 / 附录已核对已包含干预estimand、优化非等价与判分恢复限制。[R3][R8]
图表 / 引用 / 审查已有草稿示意图与实测表分开;旧审查只覆盖指定范围,最终效果稿需再次验收。[R6][R8]
PDF已核对当前15页产物存在;历史恢复稿记录正文9页,页数不证明实验完成。[R8]

最终论文更新应在真实结果后重新建立验收约定,补齐结果与成本,再执行完整改稿与编译流程。当前保留draft状态;局部审查critical/major清零也不能替代终评。[R6][R8]

09

待解决问题

执行 · 优先 1

恢复训练的证据闭环

影响主张
没有有效训练终点,就无法形成同预算策略比较。
当前证据
O42-retry1在34/80完成调用后终止,最近checkpoint30。[R4]
解决动作
先核对当前现场,再按既有恢复协议绑定checkpoint、runtime、终止与退出收据。
完成标准
恢复release明确且数值/参数检查通过,run可追溯;不得以容器启动状态替代。
证据 · 优先 2

逐槽位评测准入与unknown

影响主张
影响固定分母和主成绩的可信性。
当前证据
1000控制中仍有113未决、20部分观测零及5预期差异。[R5]
解决动作
接入已完成归因与观测规则,保持原始attempt,不事后追认方便的分数。
完成标准
正式评测manifest绑定环境、名单、模型与unknown规则,并有独立准入审查。
研究 · 优先 3

局部分配是否产生真实增益

影响主张
决定这篇能否成为有效的方法论文。
当前证据
非零信号已经观察到,M−B等策略效果仍未测量。[R1]
解决动作
在前两项关闭后完成登记的O/B/M/E、种子和同栈评测。
完成标准
主比较真实可复算,并报告无效/缺判分率与成本;无收益时保留负结论。
写作 · 优先 4

从协议稿转成效果稿

影响主张
现稿不能承担尚未成立的性能主张。
当前证据
submission_ready=false、effectiveness pending。[R6][R8]
解决动作
真实效果判定后重写主结果、摘要和结论,重做最终论断/引用与改稿检查。
完成标准
最终版本的每个效果与费用主张有证据,验收报告与PDF哈希绑定。
10

下一步决策与任务

以下顺序来自既有恢复、对照和评测计划;本网页没有启动训练。执行前必须先获取现场状态,旧记录不能充当当前资源或进程证明。[R7]

  1. 01

    先关闭恢复与准入缺口

    核查O的实际状态、终止原因、checkpoint与环境未决;按冻结协议出科学release。

    产出与判断:产出恢复和评测manifest;不满足就停在核查,不能进入主比较。

  2. 02

    完成登记的对照与终评

    依赖前一步,按同预算和同栈完成B/M及O/E计划,保持holdout规则。

    产出与判断:产出每臂每种子效果、失败比例、成本;M−B无收益则不宣称方法有效。

  3. 03

    按结果重写并验收

    用真实比较决定保留哪些贡献,再更新全文、图表、引用与最终PDF。

    产出与判断:成立则写效果稿;不成立则保留结果并调整方向,不能用pilot替代。

  1. 01恢复 / 准入证据齐备?
  2. 02齐备才做受控终评
  3. 03主比较支持增益?
  4. 04支持:效果稿 / 不支持:调整主张
11

关键里程碑

  1. 旧运行完整性复盘

    污染、评分与资源故障使历史结果不能直接进入主比较。[R7]

  2. 方法/协议稿建立

    固定最终产物删除和O/B/M/E比较,pilot提供信号观察。[R2][R6]

  3. 恢复稿补充限制

    披露缺反馈和环境问题,保留draft。[R8]

  4. O恢复外部终止

    34次完成调用;终止不等于方法失败或恢复成功。[R4]

  5. 500控制覆盖并纠错

    控制执行覆盖完成,最终聚合重算,未决继续保留。[R5][R7]

12

来源与更新说明

关键数字旁的来源编号可跳转到下面的原文摘录。摘录来自当前工作区文件;SHA-256 标识本次读取版本,文件名采用项目相对路径。未发布原始轨迹、test 标签或完整稿件。

[R1] 现稿评测:pilot、成本与效果Pending当前稿件

paper-rl/paper/sections/5_evaluation.tex

\paragraph{Policy effectiveness: pending.}

The base-model development pilot generated eight trajectories on each of the original 40 tasks. Of these 320 planned trajectories, 244 met the training query rules and all 244 intervention trials returned usable reports. Here, usability follows the training adapter's fixed-list utility contract. The exclusions were 41 format-error trajectories, 34 without an eligible block, and one without an original utility after the agent deleted installation files. This last trajectory is retained as a model failure; it is not resampled.

The contrast is nonzero for 92 queries (37.7\%), including 17 from failed original trajectories: 12 positive and five negative, spanning 14 tasks and six repositories. These are 17 of the 111 queried failed trajectories, within 150 original trajectories with a known failed verdict. The twelve positive contrasts split evenly between a positive fail-to-pass (F2P) component and the regression indicator alone (\cref{app:signal-origin}). These observations establish information availability on failures, rather than a benefit from learning with that information. \Cref{tab:pilot} preserves the original pilot denominator and separately exposes the 39-task stratum admitted to training.

The cap activates for 83 of the 92 nonzero contrasts (90.2\%), placing most observed nonzero cases in the sign-and-support regime of \cref{eq:coefficients}. Among these 92 cases, the median selected-token fraction $m/L$ is 2.10\% and median shrinkage $s$ is 0.181; \cref{app:geometry} gives their distributions. Before format-error and original-utility query exclusions, 282 trajectories have a constructed intervention artifact; of these, 47 become an empty patch. The median fraction of final changed paths touched by the selected block is 0.5. One of the 92 nonzero cases instead selects paths absent from the final patch: the block repairs earlier agent damage. This illustrates why last-touch eligibility is defined relative to the pre-block tree rather than only to the final net diff. These structural measurements do not certify semantic attribution accuracy.

All 120 prescribed cross-machine factual replays match their originals at the level of reported test labels. The initial 244 intervention trials take 237.3 seconds on average, with a 416.9-second empirical 95th percentile. A separate deployment repeat of the same 244 artifacts on the designated verifier host, at concurrency 24 with images retained between trials, yields identical per-test reports for all cases and takes 115.1 seconds on average, with a 189.9-second 95th percentile. Service time includes setup, verification, and cleanup, and excludes semaphore waiting. Host placement, concurrency, and cleanup differ together; the comparison does not isolate a cache effect. Production queueing and total training cost remain unmeasured.

All 120 prescribed cross-machine factual replays match their originals at the level of reported test labels. The initial 244 intervention trials take 237.3 seconds on average, with a 416.9-second empirical 95th percentile. A separate deployment repeat of the same 244 artifacts on the designated verifier host, at concurrency 24 with images retained between trials, yields identical per-test reports for all cases and takes 115.1 seconds on average, with a 189.9-second 95th percentile. Service time includes setup, verification, and cleanup, and excludes semaphore waiting. Host placement, concurrency, and cleanup differ together; the comparison does not isolate a cache effect. Production queueing and total training cost remain unmeasured.

SHA-256 90a6a8574b27466b6e876253200ff9e7762f5747fc8c62cfe4cb0e71484bc811

[R2] 方法与O/B/M/E实验计划2026-09-27

paper-rl/PAPER_PLAN.md

| M/B在同一轨迹上具有同带符号/L1原始辅助系数质量 | 公式代数、CPU实际loss接入检查 | 技术支持;不含梯度范数/裁剪等价 | §3 |

| 每条准入轨迹至多一个额外verifier query、零策略续写 | 已实现查询路径;实际端到端成本仍在测 | 查询界受支持;可接受成本及相对成本尚未证实 | §3/§5 |

主终点80。M−B是主要比较;M−O、M−E次之。独立seed和task配对统计放附录,主表不写CI,但不删实验范围/局限。给出真实成本字段,待实测后填值。

E的辅助项为`C_E(t)=clip(lambda*A*L/m,-c,c)*I_e(t)`,加到原终局组优势A上;不访问D,m=0/选择不可用时为0。

主终点80。M−B是主要比较;M−O、M−E次之。独立seed和task配对统计放附录,主表不写CI,但不删实验范围/局限。给出真实成本字段,待实测后填值。

SHA-256 f345575600d0c77bdd22b735a141a30a97a0513e3d65dbe0061cc37063e8cbe1

[R3] 现稿干预、优化与判分限制当前稿件

paper-rl/paper/sections/6_limitations.tex

Final-artifact removal conditions on the other completed files. Later edits on other paths may depend on the removed block, even when no later turn overwrites its paths. The resulting contrast is not an unbiased action value, a Shapley allocation, or the outcome of a naturally continued trajectory. Last-touch and test-path eligibility also restrict which edits can receive this feedback. Snapshot attribution is temporal: background writes captured after a turn can be assigned to that turn, and restoring a last-touch block can reintroduce damage from an earlier block.

Equal signed and absolute coefficient mass does not isolate semantic placement from every optimization effect. Localization changes concentration; adding the terminal advantage can change signs and DPPO masking. O/B/M/E evaluate a specific practical allocation rule. Claims about attribution accuracy require a suitably matched relocation control, and claims that removal information is necessary require controls using simpler factual test feedback. Those conclusions are outside the present comparison.

The planned study uses one base model and a limited RL task pool. It does not establish model-family-wide effectiveness, and base-model pretraining overlap is not measured here. An earlier adapter admitted zeros without grading reports; the affected run was excluded from the comparison. Successor training requires complete grading evidence, but this can also withhold negative feedback for model-broken installation; retry and masking rates must be reported by arm (\cref{app:grading_recovery}). The official evaluation's expected-test lists can omit behavior relevant to an issue; retaining its labels and denominator preserves the benchmark definition rather than repairing that limitation. Matching reports establish reproducibility of the recorded score. Missing test observations can be classified as failures, and reused descriptions can overwrite earlier test statuses. Final evaluation therefore retains raw observations and separates observed failures from outcomes requiring attribution.

SHA-256 c0d214dcd0f06f9efd49d21e934252f7c53c7e32cdfd1c949ca2e73967d72adc

[R4] O42-retry1外部终止收据2026-09-28 15:35

paper-rl/results/O42_retry1_external_termination_20260928.json

"observed_at": "2026-09-28T15:35:17.342206+08:00",

"quality_observed_at": "2026-09-28T15:34:35.821420+08:00",

"host_observed_at": "2026-09-28T15:34:54.658129+08:00",

"training_call_completed": 34,

"termination_class": "external_or_host_termination_unresolved",

"automatic_restart": false,

"oom_killed": false,

"next_action": "Do not resume until a separately reviewed recovery plan binds checkpoint30 and termination evidence"

SHA-256 5b9ce35674fd8114d171fb00d8b0336ffdd278b5f6e6bc9161e12d06244577f9

[R5] 500共同环境最终汇总(纠正后)2026-10-01 纠正

paper-rl/results/common_profile_runtime_coverage_final_20260930.json

"scope": "All500 common-profile tasks have been exercised across retained waves; unresolved and mismatches remain explicit. No model-effect claim.",

"controls": 1000,

"controls": 1000,

"raw_pass": 995,

"strict_pass": 862,

"report_binary": 887,

"unresolved": 113,

"partial_zeros": 20,

"control_expectation_mismatches": 5,

"control_expectation_mismatches": 5,

"report_binary": "Binary report diagnosis includes unexpected control scores; not a count of passed controls or formal model slots"

SHA-256 45ef82e6cc1980428d679e28ad6f29ab4ec72fa843521448f25a5172a2385a48

[R6] 草稿验收约定与结果版本缺口2026-09-27

paper-rl/PAPER_ACCEPTANCE_CONTRACT.md

status: accepted

assurance: draft

9. 数据表明确实际训练149、2384别名、dev39;官方500及holdout100分母不变;原150映射与未用于后继训练的351不混用。

10. 80步、三种子计划、E42、n=2/n=16及当前执行状态明确区分;成功率按每条rollout求均值,绝不取best-of-n,计划的holdout100 n=16明确包含B;不声称未运行的重复实验已经完成。

11. 所有主结果/成本空缺使用Pending或破折号并解释未测量,不使用模拟数字、臆测曲线或旧无效O/B/M成绩。全文任何位置都不能给出尚未测得的本方法胜负/泛化提升或更低总成本结论。

这份约定针对当前草稿,不把“方法有效”作为可凭空满足的写作要求。最终提交阶段必须在真实终评后重新建立结果版本的约定;不能把本草稿验收等同投稿就绪。

SHA-256 3d9ae3c2667e2c4a0bc56dbf24e83b279b8267c122956181e230d585242208cd

[R7] 当前交接:汇总更正与运行边界2026-10-01 更新

paper-rl/STATUS_20260928.md

**2026-10-01汇总更正:** `common_profile_runtime_coverage_final_20260930.json` 已按23个保留cohort重算:500题/1000控制,raw 995,strict 862,report-binary 887,未决113,部分观测20,参考/环境差异5。原文件中的999/779/798/101/18为聚合错误,已由提交 `fdd83033` 修正;这些是环境验证覆盖数字,不是模型效果。

- **O42-retry1在第34次调用后随父容器外部终止。** 质量观察器最后看到34/80,训练父 `skyrl-rl` 曾 exit137、Docker `OOMKilled=false`;driver控制读取进入 review。step20与step30 HF导出/参数审计已完成;step30为427张量、329个变化张量、823171568个变化元素、无非有限值。`skyrl-rl` 后来被外部重新启动,但没有形成O42恢复证据,不把容器重启当自动恢复,也不把存储变化写成效果。收据 `results/O42_retry1_external_termination_20260928.json`、`O42_retry1_step30_parameter_audit_20260928.json`。

旧O40仍作废于主比较,所有旧分数/存点保留。新runtime、数据、launch和release都保持冻结。gpu08 GPU6/7及GPU0原小服务不动;监督不自动重启。

- 后继入口F0–F3/两轮复核已完成,真实O80、终点参数核验及CF适用性release仍欠;B/M/E未启动。共同候选仍87题/174控制、16未决、413题未新跑,不能用新诊断改变分母。论文仍15页、效果未测,当前没有等待自动重试的CPU控制任务。

下一步:核验首个原生存点的参数;实现共同评测的可信参考/完整成员映射/准入规则;沿已完成后继入口准备真实O80与CF证据绑定的release。旧CPU控制/原始未决和论文数字均未修改。

- 后继入口的CPU核验明确:当前恢复make_plan只收O42,前驱校验只认旧O40停训且拒绝retry1名称。要另建支持固定矩阵和正常80调用前驱的新入口;9份配置计划不是release。见 `results/successor_launch_boundary_20260928.json`。

剩余9个预定训练条件的比较计划已经生成:B/M各3种子、O另2种子、E42。全部通过实际SkyRL配置解析,与活跃O仅臂、种子和输出路径不同。数据、原base、runtime、采样、优化器及14卡布局保持相同;没有启动后继或申请新GPU。入口 `staged/credit-after-recovery-20260928/`,计划 `rl/runs/rl-paper-20260927/credit-after-recovery-plans-v2/`。v1清单相对路径在runtime cwd下无法定位,原失败保留,v2改绝对路径。计划不是release;后继仍要核对新O80实际结束、清理、源、CF与资源证据。

SHA-256 824026dba6207f23184e0c9dd09e37f9e8ea21b534a21ce4b6a878a03db40b2f

[R8] 恢复限制稿局部审查与编译回执2026-09-28

paper-rl/results/grading_recovery_paper_update_20260928.json

"scope": "Limitations and appendix recovery/resource-control changes only, no efficacy claim or full160-claim reaudit.",

"review_independence": "same-family",

"acceptance_status": "provisional",

"pdf_pages": 15,

"main_body_end_page": 9,

"submission_ready": false,

"policy_effectiveness_measured": false,

SHA-256 7756cd4c431ab0056467e333e00fcdd6feafe4e39f6a71e6b0fbe4c31fc05b8e

展开:更新说明与 PDF 版本信息

本页使用10-01纠正后的500共同环境汇总:995/862/887/113,替换旧聚合数字。主表将策略效果保持未测量,不展示旧在线奖励为能力比较。

动画仅表示产物干预与反馈分配位置,没有模拟实测数字。恢复记录止于09-28;10-01稿件日期不是训练状态更新日期。

paper-rl/paper/main.pdf

PDF SHA-256 096a8ff66cbbda0aa622f8511418bcc6691741f8b016f7c812a2366dd4ca9594

页面仅整理既有证据,没有执行新的训练、测试标签读取或科研评审。后续更新先核对新增收据,再修改受影响的主张与图表。