Bash has no default timeout, so any command running past the 900 s system cap ended the whole trajectory (81 of 590 finished rollouts). Give bash a native timeout one minute before the cap; only that command fails and the agent continues. The persisted tool call keeps the model's own arguments. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
bench/ — 视觉模型量化与上板评测
本轮SFT采集改造的 实施计划与验收标准 已纳入项目:数据完整性、共享限流恢复、执行生命周期和实时看板同轮交付;当前为待实施/待验收规范。
本候选版的四类扩展入口和兼容规则见 扩展说明,独立镜像与迁移步骤见 迁移说明。先在新目录验证;下文保留原部署操作记录,不能对正在运行的原目录执行同步或切换。
338 模型分批覆盖
bench coverage --all-runs --csv reports/model-coverage.csv 维护原 CSV 全部 338 项;
相邻 JSON 保存所有 run/job/kk、逐阶段记录、真实轨迹路径、teacher 身份和训练导出关联。
静态前置齐备、FP32/ONNX 对照通过、量化编译、真实上板、任务精度通过分别记录,不能互相替代。
SIFT/ORB/AKAZE 仍占总表三行,按传统算法记不适用 PTQ,不虚构 HBM 或 Agent 轨迹。
新接入模型先核查具体权重、构建/导出、输入、校准、标注和评测门;不修改原 CSV 标签或旧 run。
Ultralytics COCO 分割可用 scripts/probe_coco_adapters.py --model yolov8n.seg 做真实权重、
ONNX 数值与 COCO 指标对照。Pose 另存原图坐标关键点对应及偏移,必须通过真实导出对照才能入队;
板端 G3 同时要求 OKS AP 和平均偏移 ≤2px,缺几何证据则 UNVERIFIED。probe 不是板端验收。
FastSAM 的类别语义仍属阻塞。EfficientViT 构建器文件存在不代表依赖、预处理和导出已验证。
通过前置核查的具名批次沿用现有命令:
bench new-run --target s100p --note '338 coverage: validated model batch'
bench expand --run RUN --modes oracle,e2e --marches nash-m --model yolov8n.seg
bench run --run RUN --parallel 2
bench collect --run RUN --modes e2e --first-pass --watch --parallel 2
显式 --model 放宽该批的 priority/task/status 选择,但保留 march/backend/qcfg、teacher、e2e k=4、
冻结精度门槛及原采样编号;不再生成 Oracle repair,缺真实 probe 或其他前置时整批拒绝。
--first-pass 只消费每个 job 的首条,原重复采样仍保持 QUEUED;等可执行模型完成首轮再用普通 collect 接续。
当前旧 collector 若需切换,只设置其 state/drain-collect-RUN,等在途任务与导出自然完成再启新进程。
不能直接 kill 或用新代码同步冒充旧进程已加载首轮策略。
创建 state/coverage-master.enabled 后,新进程每次训练导出会刷新总表;旧进程可沿用
bench export --run RUN --follow 接入相同刷新。总表失败会显式报错,不回滚已完成任务和训练数据。
设计:BPU 量化轨迹工厂设计方案(v0.4)。契约:CONTRACT.md。方法论、闭环说明和技术分享讲稿见 项目文档。本 README 只讲怎么把它放到机器上跑起来。
主流程:GLM-5.3 领取任务,按需准备输入、校准、编译、上板和评测 → harness 按本次实测独立判定 → 导出原始轨迹并筛选 SFT 候选。bench run 可选地预热权重、FP32 和 ONNX 缓存;--oracle 只作显式对照。Oracle 不参与 Agent 判定、奖励或 SFT 筛选,也不再生成 repair。历史文件和排队编号保留,旧 repair 不再领取。新任务仍要求相对 FP32 劣化不超过 5%,改善也通过;历史任务沿用冻结门槛。
已有批次只把剩余任务切到 100 张测试集,见 剩余任务交接。使用交接清单保留原采样序号,不全量展开或重新补采。
0. 上机
# 未设置 BENCH_REMOTE / BENCH_REMOTE_DIR 时只看本地;始终默认预览、不自动 commit。
scripts/sync.sh
# 对已存在的新版本目录或已停机且完成归并的目录做只读预览,生成新的本地基线文件。
scripts/sync.sh --remote USER@HOST --remote-dir /ABS/NEW/bench --baseline ../sync-plan.json
# 阅读差异并确认目标内容后,显式应用同一份基线。
scripts/sync.sh --remote USER@HOST --remote-dir /ABS/NEW/bench --baseline ../sync-plan.json --apply
两步之间本地源码或远端前像变化都会拒绝应用;选择 --files 时两步使用相同列表。
目标目录须先建立;设置 BENCH_REMOTE / BENCH_REMOTE_DIR 也可提供显式目标,仍不会自动 apply。
旧 --force / --pull 不再支持;远端生成的 registry/models.csv 不上传覆盖,也不自动回写本地,
需要时显式下载到单独文件审查合并。源码删除会拒绝自动应用,由操作者单独审查。
同步不复制 state、runs、缓存或密钥。完整迁移与回退见 迁移说明。
机器上:
cd /mnt/data/ming01.wang/model-compile-hbdk/bench
export PATH=$PWD/bin:$PATH
# harness 只要 pyyaml;系统 python3 没有就用 PTQ venv 的解释器
python3 -c 'import yaml' || export BENCH_PYTHON=~/toolchains/oe-3.7.0/venv/bin/python
# JuiceFS 是 FUSE:小文件写入实测 ~0.5 s/个。state/(sqlite+锁)、data/(5 万张图)、cache/ 都放本地盘,软链过去
for d in state data cache; do mkdir -p /home/$USER/bench-$d; [ -L $d ] || { rm -rf $d; ln -s /home/$USER/bench-$d $d; }; done
# runs/(每 job 几十个文件)留在 JuiceFS 没问题
1. P1 顺序(每步都能单独重跑)
| # | 命令 | 产出 |
|---|---|---|
| 1 | scripts/fix_env.sh |
.env.oe-package 的 PYTHON_BIN 指向真实 QAT venv(备份 .bak-日期) |
| 2 | python scripts/excel_to_models.py <清单.xlsx> --dry-run → 改 COLMAP → 去掉 --dry-run |
registry/models.csv(338 行) |
| 3 | source .env.local && scripts/board_probe.sh |
沙箱板型 → 填 registry/boards.yaml 的 board_type / march |
| 4 | ~/toolchains/oe-3.7.0/venv/bin/python scripts/ingest_pool.py --dataset imagenet1k --dataset coco2017 |
data/pool/…/manifest.json,只读 |
| 5 | … scripts/make_t1.py --dataset imagenet1k --dataset coco2017 |
data/t1/<ds>/20260914.tar |
| 6 | … scripts/make_calib.py --task cls --input-spec 1x3x224x224 / --task det --input-spec 1x3x640x640 |
data/calib/… |
| 7 | bench preflight --modes oracle,e2e |
0 errors 才往下;包含 Agent 环境检查 |
| 8 | bench new-run --target s100p --note "S100P" → bench expand --modes oracle,e2e --marches nash-m |
每个就绪模型的 runs/r…/<job_id>/job.json,state/jobs.sqlite |
| 9 | bench run --dry-run |
状态机空转一遍,不碰工具链 |
步骤 4–6 用 PTQ venv 的 python(要 pyarrow / pillow / numpy)。ImageNet 首选 HF parquet 14 片;tar 是备用源,入池时会 tar -tzf | wc -l 校验。
2. P2 切片(真跑)
环境和数据准备好后,scripts/start_run.sh --target s100p --note "S100P" --parallel 2 会检查环境、展开 nash-m 输入准备和 Agent 计划,后台准备 01–03 并按首轮优先采集;S600 使用 --target s600,run 会固定为 nash-p。续跑必须显式写 scripts/start_run.sh --resume --run <run>,避免多板型时恢复错批次。run target 覆盖历史 matrix 的默认 march,但不修改 matrix,因此旧 S100P run 的任务口径保持不变。
bench run --oracle --job cls--resnet18--nash-m--ptq--int8 --parallel 1 # 仅需要完整对照时
bench show cls--resnet18--nash-m--ptq--int8 # 阶段时间线、stderr 尾巴
bench run --oracle --job det--yolov8n--nash-m--ptq--int8 --parallel 1
bench status; bench status --fail; bench report # reports/<run_id>.html
已有 HBM 的已结束任务用 bench board-backfill --run <run> --job <job_id> 补缺失的板端性能和精度;沿用该 job 冻结的阈值。需要新默认 5% 规则时创建新 run。
已结束的 rollout 同样可以补:bench board-backfill --run <run> --rollout <job_id>:<kk>,用 agent 自己编出的 HBM 重跑 07/08 再 verify(板卡故障导致 UNVERIFIED 的轨迹靠这个回收;agent 对话与 claim 不动,新 attempt 记 lane=backfill)。
P2 实测已核对(2026-09-15,resnet18 / nash-e / PTQ):
hb_compile 3.5.3接受我们的 yaml;norm_type、cal_data_type已弃用(去掉了);cal_data_dir 下只能有 .npy(它把目录里所有文件当样本读,manifest.json 会炸)→ 校准集放<calib>/npy_f32/,manifest 在上一级。hb_model_info:I/O 表与 march 打在 stderr,静态 perf 估算(FPS / latency / DDR)打在 stdout;两者都解析,静态估算记进G1.static_perf(不是板端实测)。hb_verifier:-m ptq_model.onnx,quantized_model.bc -i <npy>,逐层余弦表,rc=0;取最后一行(模型输出)余弦对照 G2 阈值。- 当时的 x86 模拟评测:
HB_HBIRRuntime(quantized_model.bc).run()0.04 s/张,与HB_HBMRuntime(hbm).run_sim()逐位一致(后者 ~20 s/张)。当前 08-eval 使用真实板端 HBM 推理;06-hbm 保留模拟一致性抽查。ptq_model.onnx走 HB_ONNXRuntime 是伪量化(cos≈0.9995),不作为板端精度。oellm2 里的hbm_infer是板端 RPC,不是模拟器。 - HB_HBIRRuntime.run 返回的数组引用内部缓冲区,下一次 run 原地覆盖——必须
np.array(v, copy=True)。踩过:一版 08-eval 的 top-1 算成 2.6%。 - resnet18 FP32 在 T1(2000 张分层)top-1 = 68.15(官方全量 69.76,2k 子集 SE≈1 pp,合理);hb_compile 校准余弦 0.999。
板端通过 Python hbm_runtime.HB_HBMRuntime 执行;08-eval 复用 FP32 基线的预处理和任务评测器,比较同一 T1 子集。
多板并行
在 registry/boards.yaml 为每块独立物理板登记唯一 slot、march、board_type、runtime_dir 和各自的 host_env/port_env/user_env/ssh_key_env。连接值放在服务器现有 .env.local,使用 SSH 密钥,不把密码写入登记文件。现有板固定 slot: 0;新增板依次用新编号,停用时设 enabled: false,不复用旧编号。
board 容量自动等于启用板数;增加 pools.board.workers 不会凭空增加板卡。07 性能测试、08 精度评测各自领取同 march 的空闲板,跨 oracle/Agent/补测共用 board-<slot>.lock,阶段记录实际板名。模型、采样次数和精度门槛沿用原规则。新进程排队时会重读板卡登记;旧进程仍使用启动时的代码,应自然收尾后切换。reserve_for_agent: 1 可在至少两块兼容板时为 Agent 保留一块;默认 0 共同排队。
接入前核对板卡的独立物理身份、芯片与运行库,并从编译服务器验证 SSH。相同地址、同一物理板的多个容器不能重复登记成额外容量。
旧 run 若只有整体 registry 指纹,在首次扩板前保留原 boards.yaml 为 runs/<run>/board_registry.initial.yaml;续跑仍核对模型清单、数据、门槛与 march 映射,扩板不要求重建模型任务。
3. P3 闭环(agent)
真实训练轨迹由 Agent 采集产生。先配置 teacher,再启动采集;oracle 的启动不依赖它。默认 matrix 只为 A 类 cls/det 模型生成 e2e 计划;需要覆盖本轮所有模型时使用 --coverage all。
bench agent setup # ~/.pi/agent/models.json(600),key 来自 .env.local
bench expand --run <run> --modes e2e --marches nash-m
bench collect --run <run> --modes e2e,repair --parallel 1
# 覆盖本 run 的全部 oracle 模型,持续接入新完成模型(仍保留 matrix 的任务类型与每模型 k):
bench collect --run <run> --coverage all --watch --modes e2e,repair --parallel 3
bench rollout cls--resnet18--nash-m--ptq--int8 --kk 0 --mode e2e --policy teacher --dry-run # 单条:只准备目录、渲染 prompt/settings
bench rollout cls--resnet18--nash-m--ptq--int8 --kk 0 --mode e2e --policy teacher # 单条:真起 pi
python export/to_agentrl.py --runs r20260914-01 # datasets/ds…/teacher.jsonl
每个流程/轨迹完成后会更新 datasets/<run>-training/。当前已启动的旧调度器可用
bench export --run <run> --follow 补上持续导出;不加 --follow 只导出一次。
pipeline.jsonl 是确定性流程的真实执行记录,teacher.jsonl / student.jsonl 是真实 Agent 轨迹,
manifest.json 分别统计两者。默认保留成功、失败和部分轨迹;SFT 可用只是其中的标签。
terminal 记录独立核验结果,execution_terminal / timeout_reason 记录 Agent 的终止原因;
completion 记录已完成的编译、上板和评测,超预算不再抹掉这些成果。
采集先覆盖不同模型,同等覆盖下优先已通过且预计较快的模型,再做重复采样。同一模型同时只跑一条;同一 run 的重复 collector 会直接退出。--coverage all 只追加缺失计划并记录 annotation,不重写 job 或历史数据。需要换采集进程时,向新 collector 发送一次 SIGTERM,或创建 state/drain-collect-<run>,它会完成当前任务后退出;重新启动前移除该 drain 文件。
P3 要核对(代码里标了 P3):pi 的 --append-system-prompt / --tools 参数;agent/extensions/*.ts 用到的 ExtensionAPI 形状(pi.on("tool_call") 返回 {block, reason}、registerTool、turn_end、ctx.abort);models.json 的 provider 字段名;bench stage wait 会不会被 pi 的 bash 超时掐断(不行就 --poll 60 改成 agent 反复调 stage status)。
4. agent 在 rollout 里能用什么
bench stage run calibrate|compile|hbm|board|eval [--config workspace/x.yaml] → handle
bench stage wait <handle> [--poll 60]
bench stage status <handle>
march / 输出前缀 / 工作目录被 harness 钉死;--config 必须在 workspace/ 内;fetch/baseline/export 不允许 agent 提交。写文件只能在 workspace/,读按白名单(详见 CONTRACT §7;cd 被禁、别的 rollout 与 e2e 的 oracle 不可见)。旋钮取值以源码核实为准:calibration_type ∈ {default,max,kl,mix}(skip = 不校准,别用)、compile_mode ∈ {latency,bandwidth,balance}、optimize_level ∈ {O0,O1,O2}(hbdk4 没有 O3)。凭证:LLM key 在 ~/.pi/agent/models.json,板卡凭证只进受信任的 07-board / 08-eval 子进程。
5. 实现相对 v0.4 的补充(下次改文档时并入)
-
机器是共享的(2026-09-14 实测):244 核 / 1.4 TB / 8 张 32 GB 卡(不是 4 张),4/5/7 被别人跑满、6 占 29 GB;12 个登录用户。
config.yaml pools.gpu.devices: [0,1,2,3]钉死只用空闲卡,槽位 →CUDA_VISIBLE_DEVICES。 -
资源池是跨进程的(
state/locks/<pool>-<i>.lockflock):oracle 调度进程、agent 的bench stage run、多个bench run共用同一组槽位;board 池 1 槽 = 严格串行。model-level 阶段按模型加锁,三个 march 并行时只有一个真跑 01–03。job 认领是原子的(UPDATE … WHERE state='PENDING'),两个调度进程不会重跑同一个 job。 -
新 run 的 manifest 记
harness_code_sha256;harness 代码变了只告警,venv / registry / EVALUATOR_VERSION 变了拒跑(实测拦下过一次:改 config.yaml 的 venv 列表后bench run拒绝,开了新 run)。 -
沙箱板是 S100P(
nash-m);历史 job 未记录 board 时,阶段按 march 查询当前板卡配置。没有匹配板卡时无法完成板端 G3,结果保持 UNVERIFIED。board_perf.py开测前探测板上推理进程 / BPU ratio,最多等 10 分钟,仍忙则以board_busy拒绝测量。07/08 使用独立板端守护进程,持有板端互斥锁,并在 SSH 断连、30 秒未收到租约或原有单次 RPC 3600 秒上限到达时回收推理进程组。详见 板端进程生命周期。 -
job.json与 mode 无关:一个 job_id 一份,rollout_plans列出 e2e/repair 计划;oracle 与所有 rollout 共用。 -
sqlite 默认 TRUNCATE 日志(WAL 在 FUSE 上会 disk I/O error);
BENCH_STATE_DIR可把 state 放本地盘。 -
校准集来源:本机 ImageNet / COCO 只有 val,
make_calib.py退到 val-holdout(排除 T1)并在 manifest 记source;出 T2 交付数前必须换 train。 -
07-board 失败重试后仍失败 → G4 unverified、继续 08-eval;08-eval 失败 → job UNVERIFIED 带 error_class;01–06 失败 → FAIL。
-
claim 是可选结构化自报。缺席不补写 ABSENT、不扣奖励;无可核验证据时,即使自报 PASS,测量仍为 UNVERIFIED,内容问题由单次审核另判。
-
BLOCKED 仅保留在自报字段,不改变实测 PASS/FAIL/UNVERIFIED,不根据 Oracle 推断阻塞正确性。
-
reward v0.7 只看本次实测门、成本和既有超时项,不与 Oracle 比较。任务与 SFT 共用版本化固定容差,SE 不放宽门槛。通过来源、完整性和实测硬门的候选再做一次内容审核;未审、未知、超时和虚报不进入成功 SFT,发布再次核对绑定与排除注记。导出只读重核旧判定、保留源结果;历史 repair 单列分析。见 审核入口。
6. 目录里什么进 git
registry/ harness/ agent/ export/ scripts/ bin/ config.yaml CONTRACT.md README.md。runs/ datasets/ state/ data/{pool,t1,calib} cache/ .env.local reports/*.html 不进(见 .gitignore)。
v5 隔离与巡检
bench heartbeat --run <run> 只查 DB 候选、日志 mtime 和进程,正常无输出退出 0,异常退出 1;不杀进程。
bench watch 在非 TTY 输出一次纯文本快照。
v5 jail 通过 stdlib bin/stageclient.py 提交票据,外部 harness.stageworker.Worker 执行阶段;
只轮询本 rollout 的 handles。workspace、handles 和私有 /tmp 可写,其余挂载只读;state/harness/registry、其他 job/run 均隐藏。
pi session、guard、claim、预算临时记录写 workspace;外部驱动保存 claim/guard,预算从外部 events 核对。
编译产物保存在只读的本 rollout artifacts 和 work_root;worker 会排空已接收的阶段再核验,不杀阶段。
旧的常驻 collect 进程不会加载新的 Python 驱动:下一次采集须使用新进程;不要据此重启在跑任务。
新数据集的隐式版本下限读取 agent/VERSION,仅作用于 Pi;刷新已有数据集沿用其冻结筛选,显式变更留历史。导出继续读取 annotations,拒绝污染/误杀/不合格版本。
--agent-version 仍为精确匹配并提示弃用。每条样本按自身预算归一化;VOID 数据集不覆盖。
自检:PYTHONPATH=. python3 scripts/test_codex.py、scripts/guard_smoke.sh、PYTHONPATH=. python3 scripts/queue_smoke.py。