data-gen-ebd/docs/progress.md
amos 913d3c367f Add the usable task catalog and admit batch 6 tasks
All 161 task packages, including the 21 batch 6 C++17 tasks that passed
gates 1/2, are now in Git. rollout.catalog builds docs/task-catalog.{json,md}
from the task packages, a fresh trace5 calibration (128/128 PASS), every
verified controller receipt on the current task digest, documented holds
and digest-bound difficulty reviews. 123 tasks are usable (6 HARD),
5 are on hold and 33 still need a subprocess-only grader.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-18 17:43:15 +08:00

633 lines
130 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters

This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.

# 开发进度
## 2026-10-16 制题批次 20261016-C-embedded-3(外部服务阻塞,未完成)
范围:基于69521e5,仅新增linux-concurrency、memory-buffers、build-deploy、device-io各5道C11现成工程修复题及本节;未改rollout/、agent/、tests/、任何批前已有任务或Qwen作业,不推送。20个不同HWE基础ID均逐项核对metadata public且不在held_out,source/split统一hwe/基础ID,spec注明后续不可作该模型评测;没有新增拒绝题或合同能力BLOCKED题。源码613–734行、候选合计158–250行、缺陷每题2处(mapping3处),gold/template增删15–36行;候选1–2文件,工程均可构建,含独立单处修复负例、不同合法解和条件读grader对照。
校准及审阅:每题8类各5次,最终trace5 Docker800/800符合预期、cleanup confirmed;host700/800符合声明,100次read_grader可读gold/PASS是正确的无隔离正对照,整体如实FAIL。历史64个校准attempt、2560次样例运行全部保留。所有600次正式负例成功构建后按行为FAIL,不以编译失败/崩溃/超时代替。判据仅check.py+私有非py数据,verify逐字复制bos_verify;harness只观察,Python独立复算、候选执行前备齐输入,执行后root不访问共享scratch。四族非作者交叉审阅与逐条公开合同对照完成。trace5已确认gcc/make/ar/ld/readelf/nm/objdump,无cmake,构建族只用已有工具。
真实采样:GLM-5.3/Pi0.73.1、固定trace5 digest、max_tokens131072、service-default、首轮四路、3600秒,无费用或模型轮数cap。33次原始尝试中20条原生证据VERIFIED完整轨迹;其中18个最终身份为17PASS/1FAIL,另2条v1题面歧义轨迹保留原始FAIL但按PROMPT_AMBIGUITY排除能力统计。cond题未明确N也需WAKE/wakes、ring题混用输入payload与结果value,均结合轨迹和独立审阅确认,已仅改公开合同/版本升2、重新完成两端各40次校准;C/check/cases/fixtures不变。两题v2补采中途遭上游429,候选虽曾任务PASS但Agent exit1且证据不完整,按INFRA_ERROR保留;之后9次串行恢复(含5分钟退避)均首请求429。数小时退避后在独立root再试cond一次,首请求仍三次429、工具0、exit1/native UNVERIFIED,附带task_verdict FAIL不计能力失败,未启动ring。北京时间2026-10-17 00:05又做唯一确认,首请求仍三次429、工具0、exit1/native UNVERIFIED,未ring/重判/归档或继续重试。共13个基础设施故障全部保留,不计任务能力失败;cond v2和ring v2仍为已校准、闸门3 UNVERIFIED,不能标ADMITTED,整批未完成。当前18题准入,未做闸门4分池。真实FAIL build-feature-flags明确违反公开CPPFLAGS合同:候选默认DEFINES覆盖环境1/61为0/1,不改题或重采。
证据与验证:20个完整冻结候选新容器独立重判全部一致,另外2个INFRA候选实际重判PASS但不升格完整;11次首请求故障未做重判。20个标准归档独立只读核对全部成员字节/SHA、外包摘要、显式host证据及候选直接字节一致,其中18个最终身份+2个退役歧义身份;archive-audit-blocked状态PASS_FOR_AVAILABLE_EVIDENCE,batch_complete=false。全量75项测试74通过、1因host无Node跳过(最终v2运行42.516秒),真实Docker隔离探针通过;未验证硬件、真实线程时序或模型训练。Git whitespace有生成Makefile空定义/依赖及checker空行尾空格提示,为保持已采校准字节身份保留,非行为问题。全部尝试原生usage合计input652843、output380502、cacheRead6454336、totalTokens7487681,费用与实际人时unknown。
资源:只按本批事件/回执登记的1244个容器名称和31个专属网络核查,均无残留;本批自己的采样、后处理、恢复和审阅等待进程已按精确PID停止,没有prune或触碰Qwen对象。追加恢复的2个容器及1个网络也经独立精确inspect确认不存在,无后台writer;补充报告与最新20题表已随独立runs/20261016-C-embedded-3-recovery-20261016T1118Z冷迁:30文件232,439字节,SHA/路径/类型/权限/总量由第二进程独立复核PASS,热根已删除;payload SHA f8d014e1a3538a29294b54bdf518fe9d0be2b59a5e6733235591f26a3ae0929a,回执见原op/late-recovery-migration。不回改31次截止的冻结报告。跨日确认的2容器1网络也经精确inspect确认absent;其独立runs/20261016-C-embedded-3-recovery-20261016T1605Z共39文件249,675字节已冷迁,第二进程重hash全部文件并核对热根absent,payload SHA aa6d709076a036aa77005cbc69e1796232236672e388760117d2d4b22dc8b388;回执见原op/midnight-recovery-migration。最新33次汇总及20题表在此冷root,全部writer已退出。可信host临时目录按前缀、UID/文件摘要与登记清单清理,剩余登记0;disk_low/attempt_size均0。冷迁工具以本地合成5根目录实测SHA/字节数、只读目录、活动日志前缀和逐根删除;测试先发现缺少目标父目录,修正并保留失败事实后7项行为验证全部通过,合成探针已清理,未在真实冷盘上试删。
证据已复制至 `/mnt/data/ming01.wang/embedded-rollout` 下同名 `factory/20261016-C-embedded-3`、`runs/20261016-C-embedded-3{,-dev,-calibration}`、`artifacts/20261016-C-embedded-3`。final-report.md/table.json含20题指标、120个负例实际机制、完整HWE基础ID清单和两项未完成工作;resume-commands.md给出服务恢复后直接引用冷端校准的标准pi_run命令。原回执保留原绝对热路径,旧controller复审需恢复原路径,新采样可直接传冷端校准路径。Salty本机无CLI/可调用入口,上传与下载摘要复核另记BLOCKED,未上传,不读改凭据。
冷迁第一轮核对PASS(2026-10-16T10:27:25Z):21,792个payload文件、297,736,840字节,逐文件SHA/类型/权限、精确路径集合及总量一致,payload摘要为8c4d01746c18cef7b39d570bcbd91e20364b64fa422c2fa9068cf7f2b452b2c0。codex.log为明确2,002,860字节前缀,SHA1622da3b6b111152481f289b87f4760e97e0baa22a5b9516c0f51cc399d34d78,不宣称活动日志停止增长。第二轮完整复核PASS,2026-10-16T17:24:59Z从原op完成五热根删除;独立收尾审计再次核对两manifest摘要、final-check/deleted及15个逐根回执、五个热路径absent/冷根真实身份,末端日志独立SHA核对PASS。原codex.log最终另存2,414,135字节前缀,SHA48057d634327bf65f152a19a47321159f6a4ede561e6663516488efebe0c6386,canonicalpayload保持原2,002,860字节前缀不变;实际回执位于冷factory/migration-evidence/20261016T082450Z-de9fafc75e164c7dbb67adac3ddae8b0。第一次串行建目录过慢中断后保留了checkpoint,独立完整盘点确认仅1个691字节操作记录和7,794个空子目录,记录及完整盘点先复制核对后按身份精确清理;10个保留派生证据由root重新核对SHA,旧UUID与两个审阅tmp均不存在。第一版末端读缓存优化经设计审阅发现祖先替换反例,未创建或运行runner。随后逐组件fresh-stat的strict-dirfd研究原型及独立审阅分别13项、9项行为探针PASS,但交错基准未证明效率收益,提案runner仅创建未执行,未应用于真实迁移;研究代码、真实基准及清理回执留于op/strict-dirfd-not-applied。对应tmp与两份编译cache均核对后清理。首次恢复使用冻结原工具。后续只读随机256文件四组对照全部SHA/size/mode匹配,64线程两组68.96/72.39秒、16线程195.92/200.53秒,合并文件吞吐约2.805倍;独立代码审阅确认只把原namespace的WORKERS16改64,26个callable与所有路径/内容/数量/字节/源未变检查不变,删除仍串行。已先精确SIGSTOP原reader并确认无final-check、日志末端快照或任何delete记录,写回执后SIGTERM/CONT并核对旧PID退出,再从同op单独启动64路原函数完整复核;没有复用部分hash或缩减验证。基准/runner及独立复制、tmp清理回执见op/workers64-read-concurrency,精确研究tmp已删除。小样本收益不保证全量时长,线程/FD/缓冲占用增加。
恢复中断事实:用户Mac断电于北京时间2026-10-16 19:35停止上一轮,原final-delete在verify_target被SIGTERM;23:36续跑时确认旧PID不存在、final-check及删除记录均未写,五热根完整。首轮恢复安全检查因新增codex-resume.log拒绝删除;独立对账确认仅此新增文件、无缺失且原有30,558路径身份/模式/普通文件size/mtime均未变。已将活动恢复日志同设备原子搬至独立factory/20261016-C-embedded-3-resume-control-20261016T1536Z,核对Codex写入fd跟随同inode,冷端保留13,779字节前缀及SHA6936347361cb52990bcb19a96869548fee379104e02567d1fb6d46cf497f3917,未改冻结manifest或canonicalpayload。随后完整源对账及原日志前缀SHA再次PASS,15:52:59Z回执resume-source-reconciled.json;已从原op完成完整final-delete及独立审计。恢复控制日志于17:26:30Z另存203,775字节明确前缀,SHA05b0212101fdd3b23444c82c5384247ba9c83b3cc367401320b53a5176af3bd5;目标独立hash及源同prefix重hash一致,prefix与预删除回执先fsync文件及冷OP目录,再以已核对并保持打开的目录FD精确unlink唯一日志、rmdir唯一控制目录,并同步热目录及最终回执目录。未执行的初稿与补目录fsync后的v2源码、两份独立只读审阅事实保留于op;异常不得视为PASS或盲重跑。独立热控制命名目录实际absent,但Codex fd1/2仍持有同inode、nlink0文件,之后append不属封存前缀,也不把这些块算成已释放。原五根加两次追加恢复共21,861个静态payload文件、298,218,954字节已冷迁核对,派生迁移证据与日志额外前缀不计入该payload总数。清理后/home实测可用87,454,646,272字节,其他并行作业会使容量继续变化。
下一步:需要现有授权GLM服务恢复,随后对cond v2和ring v2各补1条同配置完整真实轨迹,独立重判、封存、审核并补齐闸门3;保留本批33次全部事实和已确认真实FAIL。本次只提交可审阅题包及如实未完成状态、收尾后停下,不开下一批;本地提交哈希另存冷factory的migration-evidence/completion.json,不推送。
## 2026-10-16 制题批次 20261016-C-embedded-2(完成)
范围:严格按本批 BRIEF 修正五道 serial 题的条件式 cheat_read_grader、版本1→2(仅10个旧题文件);新增 peripheral-hal、firmware-image-boot、linux-userspace-abi 各五道原创 C11 现成工程修复题。开工 main=6d6ae4f、pull --ff-only 已最新、原工作区干净。没有改 rollout/、agent/、tests/、S500 或其他旧题,不读凭据,所有真实运行仅向标准 pi_run 传受保护的私有文件路径。
结果:15题均通过工程/合同/非作者独立审阅;源码601–1317行、候选154–464行、每题4–15处根因缺陷,gold/template增删22–34行,保守计数均≥15。三个族前三题均9/9完整PASS,后两题分别扩大为HAL至少1000源码/350候选/10缺陷、固件1200/450/12、ABI1000/350/10。固定trace5 digest、GLM-5.3/Pi0.73.1、3600秒、全局四路完成45条原生证据VERIFIED轨迹:PASS45、FAIL0、排除0;45次独立重判一致,45个标准归档逐成员与候选/公开材料摘要核验。三族均5题各3/3,至少两题出现失败的目标全部未达;15题仅ADMITTED回归候选,尚未做每题≥5次的闸门4正式分池,未擅自增题或追加采样。
校准:新15题8类×5×两端,正式Docker600/600符合预期;host每题仅条件读grader的5次可读正确实现/PASS造成整体如实FAIL,75次正对照均核对;Docker75次均拒读并按行为FAIL。旧五题各35次×两端:Docker175/175符合预期、25次拒读FAIL,两条路径均Permission denied;host只因25次可读gold正对照而整体FAIL。没有重采旧五题。所有90个新题负样例的实际首个失败机制及单缺陷probe在spec和完整报告,不以编译错误、超时或异常退出代替行为失败。初审发现的flash优先级、超时公开值、slot内层校验、poll组合位覆盖和journal只读观察器依赖均在首次正式试采前修正并重新冻结校准,旧开发事实完整保留。
验证与限制:最终全量python3 -m unittest discover -s tests -v运行75项,74通过、1因host缺Node跳过(42.720秒),Docker隔离实测通过。已按归属、UID/inode/mtime和完整树摘要核对并精确删除1757个本批临时目录、15个批次生成pyc及1个作者登记的临时普通文件;本批1430个已证明容器名称、45个专用网络与现场取交集均0残留,所有controller cleanup confirmed,disk_low/attempt_size均0,/home仍约107.6GiB可用。只验证软件/受控桩/PTY,没有硬件或真实掉电通过声明;费用与实际人时unknown。Salty无本机CLI或工具入口,上传/下载摘要复核明确BLOCKED,没有读取凭据或宣称已上传。
冷迁与交付:本批factory、runs、runs-dev、runs-calibration、artifacts共5个精确根已复制至 `/mnt/data/ming01.wang/embedded-rollout` 同名目录;13,319个payload文件、1,077,572,637字节,以及23,590,539字节的codex.log明确前缀快照,两轮目标内容校验与源未变复核全部PASS。16个迁移工作回执逐文件与冷盘副本摘要一致,5根删除begin/done及最终deleted/final-check均已核对,5个热路径实际不存在;迁移工具自身临时目录和日志也核对后精确删除。冷factory内 final-report.md/table.json 包含15题指标、90个负例实际机制和旧5结果;收尾事实、提交hash另增于 migration-evidence/completion.json,不回改冻结payload。原回执保留原热路径,复跑须先恢复原路径。当前/home剩余116638420992字节(108.63GiB),本批五个热数据路径占用为0。
下一步:按本批停止条件停下,等待用户审阅,不自行开下一批、不做闸门4追加采样。交付仅一个本地main提交,不推送;实际提交哈希与最终scope核验记录在上述冷盘完成凭证。Salty上传/下载核验仍BLOCKED,须有可用入口后另行处理,不能把冷迁当成Salty归档完成。
2026-10-12。项目 `/Users/amos/project/embedded-rollout`;36 活跃副本为本地盘 `/home/ming01.wang/embedded-rollout`(代码、新 runs 与 artifacts),JuiceFS `/mnt/data/ming01.wang/embedded-rollout` 只保留历史证据与私有凭据。Git 按功能分批提交;2026-10-13 起按用户指定推送到 `origin` 的 main,此前提交仅在本地。
本地提交依赖顺序:设计合同与计划 → 首题和隔离执行器 → Pi/模型代理与 controller → 轨迹封存 → 验收和交接记录。只纳入源码、任务校准样例、测试与文档,凭据、原始轨迹和归档文件保持 Git 忽略。
## 范围与本次步骤
只建设 rollout 系统,持续获取真实 Agent 轨迹、独立评分、质检与持久归档;不实现模型训练、权重更新、SFT 或在线 RL。历史远期讨论留在聊天索引,不作为本项目需求。用户已授权使用 36、CCR、GLM-5.3 和 Salty,费用与模型轮数暂不设上限;执行超时用于防挂死。
本次 M0 接入 Pi 0.73.1/GLM-5.3,冻结镜像后先跑完整 Docker 正负例校准,再完成真实模型/工具闭环、独立 grade、证据对账和资源清理。涉及 `agent/`、`rollout/core.py`、`model_proxy.py`、`pi_run.py` 与行为回归。
归档步骤先写 [artifacts.md](artifacts.md) 合同,再实现 `rollout.archive` 与必要边界测试:只封存正常完成、证据 VERIFIED 的 PASS/FAIL,不递归打包 grader、参考解、凭据或工作区,输出不覆盖。最终仅在 `personal:/embedded-rollout` 保留稳定轨迹归档,临时探针核对后删除。
- [x] 整理项目 16 个相关聊天、46 个回合,创建方案和基础设施清单。
- [x] 创建独立项目、AGENTS.md、agent.md 和逐步开发合同。
- [x] frame-decoder 任务、87 项行为验收与 gold/template/noop/cheat 校准。
- [x] 36 Docker、CCR 镜像登录/构建/push,私有 host 模型代理与固定 Pi adapter。
- [x] Salty 本人授权、VPC 固定镜像拉取/执行及唯一个人目录读写,三个测试作业/文件已删除。
- [x] 第一版正式 Docker 20 次校准 PASS,镜像内 5 项真实 Pi SDK 检查 PASS。
- [x] 修复真实流式轨迹中的累计快照重复,写前限制 16 MiB;新镜像重新完成 20 次校准。
- [x] 首条完整真实 GLM/Pi 轨迹、独立评分、证据对账及 Salty 归档验收。
## 已核对的检查
`python3 -m unittest discover -s tests -v`:41 项通过。Docker 控制分支部分为 mock;本地没有 node_modules,wrapper 中真实 SDK 检查跳过。新镜像在 36 内执行 `node --test /opt/embedded-rollout/tests/test_pi_adapter.mjs`:9 项通过,0 跳过,才计 SDK 实测。
36 正式 Docker 校准:四类样例各五次,gold 每次通过 87 项行为检查,template/noop/cheat 均按预期失败,所有容器 cleanup confirmed。修复两个独立根因:chmod 在 chown 前完成;tmpfs 明确 exec/nosuid/nodev。新 adapter 镜像重新完成 20 次校准,不沿用旧镜像的 PASS。
首次 GLM/Pi 会话已经完成多轮 HTTP 200 和真实工具操作;Pi 流式 message_update 重复携带累计 message/partial,约五分钟 stdout 超过 235 MB。root 精确中断本次 controller,实际回执 UNVERIFIED、cleanup confirmed,不计合格轨迹。根因、终态和清理记录见 [runtime-failures.json](runtime-failures.json)。修复保留增量事件与完整 message_end/request/session entries,写前限额并主动中止超限会话。
Salty 0.2.3 已登录,使用 0 GPU CPU 探针验证基础镜像 TLS 和新 runtime 的 Node v22.23.3/Pi 0.73.1。三个作业 succeeded;删除精确作业与文件后,目录 listing 为空。describe 在任务结束后返回 partial 诊断和 exit 1,不误记为作业失败。基础设施回执见 [infra-receipt.json](infra-receipt.json)。
## 本次真实结果与清理
修复后的真实 Pi/GLM-5.3 会话:8 轮模型请求、10 个工具反馈全部进入后续输入,原生对账 VERIFIED;最终候选独立 87 项检查 PASS,Agent 正常退出,容器/proxy/network cleanup confirmed。native 1214876 字节;完整事实见 [rollout-receipt.json](rollout-receipt.json) 与 [只读验收](runtime-review.md)。
归档 `[artifacts/rollout-20261012-dae6bc17.tar.gz](../artifacts/rollout-20261012-dae6bc17.tar.gz)` 为 239832 字节,16 个原件和 manifest。Salty 唯一目录仅该文件,上传后下载核对 SHA-256 完全一致;临时下载删除。首次异常轨迹、旧校准、三个旧本地镜像别名、候选工作区与私有 grader 副本已清理;现场复核 24 个本次容器为 0 残留、网络不存在。必要原始日志/冻结候选/回执留在 36 作为产品证据。
清理例外:CCR 初版试验镜像的精确 digest 删除被拒绝,HTTP 401,远端旧版本仍保留,本地别名已删除;其控制台/API删除需要管理权限。没有删除整个共享仓库或公共 blobs。最终稳定版本使用 trace2 的固定 digest,旧版不再用于采集。
## 本次架构说明与任务标准
2026-10-12:补充用户要求的机器部署图、Salty 执行选择、镜像/轨迹位置、任务创建标准与参考模板。负责文件为 `docs/deployment.md`、两份 `docs/diagrams/*.svg`、`docs/task-authoring.md`、`docs/templates/task-spec.md`,并更新 README 与架构文档入口。只制作和核对文档,不修改运行合同,不新增任务或作业。
验收:当前与建议部署分开标注;镜像及轨迹地址与原始回执一致;作者模板明确当前 v1 仅支持 decoder.c;给出任务准入、正负例校准和有假设的工时估算;核对本地/36 原件及 Salty 唯一目录,执行文档一致性和只读审阅。本次不重跑模型,不写入 Salty,不 push。
已完成:SSH 只读确认 36 镜像的 RepoDigests、controller/native/候选及封存文件仍存在,本地与 36 归档 SHA-256 一致。Salty CLI 0.2.3 列表仅有 239832 字节的稳定归档;现行官方操作说明与 run 帮助核对完成。两张 Mermaid 图用临时 renderer 导出 SVG,解析与目视检查通过,下载依赖/浏览器临时目录及两份预览 PNG 已清理,只保留文档 SVG。模板示例经真实 load_task 接受,临时复制自动清理;相对链接、围栏、身份一致性和 diff 空白检查通过。
只读审阅无阻断问题;已补跨机器 HTTPS/域名需要升级 Pi URL 合同、Salty 历史答案可见性,以及旧里程碑时段链接新工时拆估。同步修正验收文档中已过时的“无提交”措辞。本轮没有执行器行为变化,未重复运行模型、Docker 校准或单元测试;新增文档与 SVG 仅在 Mac 工作区,未 commit、未同步 36、未 push。
## 已知边界与下一步
用户已提供 UltraData-RL-2609 作为格式参考。本轮新增五字段任务 JSONL 与冻结 ground truth,接入每次归档;保留 argv 与退出码的明确扩展,不改历史任务/verifier 身份。涉及 `rollout/export.py`、`tasks/frame-decoder/dataset.json`、归档和必要测试,合同见 [data-format.md](data-format.md)。首题仅归类 SMOKE_ONLY;后续主采集池须先做目标模型的重复难度测量,不以一次成功推断稳定成功率或训练收益。
本次模型试跑已完成:用户指定 Qwen `qwen3.8-27b-nvfp4` 的 Responses 服务。固定上游与模型身份,Pi 复用已有 Responses adapter,host broker 要求唯一 completed 终态;默认 GLM 接入保留。新镜像完整 20 次 Docker 校准后,真实 frame-decoder 会话 7 次模型请求、6 个工具反馈,候选独立 87 项 PASS,原生证据 VERIFIED,Agent 正常退出及容器/proxy/network cleanup confirmed。总耗时 339.790 秒含校准,不是纯模型延迟;用量 42442 tokens 为 SDK 字段求和,费用未知。完整事实见 [qwen-trial-receipt.json](qwen-trial-receipt.json)。
首次新镜像校准有一次 gold 超时,记录为 INFRA_ERROR,未启动模型;不降低原任务期限,重新完整校准才准入。原始 verifier 对可信 gold 的 87 次输入/stdout/退出码与 `dataset.json` 全量逐项交叉核对通过;Qwen 候选不参与参考目标生成。新导出器保持五字段任务行,原生轨迹单独封存,历史 task/verifier 摘要不变。
新增代码的本地受影响面 30 项通过;36 最终全量回归 57 项运行,56 项通过、1 项因 host 无 Node 跳过,exit 0 / 19.838 秒;新镜像真实 Pi SDK 11 项通过、0 跳过。曾出现原 C 编译检查超时,完整重跑通过;首次立即读取归档报 empty file,随后独立三次重开及跨机器校验通过。两项暂时异常根因未知,保留事实,不修改编译/任务期限,不据文件系统类型推断原因。
独立任务导出为 `artifacts/frame-decoder.jsonl`,一条记录、87 个验收用例;新 Qwen 归档为 `artifacts/rollout-20261012-qwen-655f8f99.tar.gz`,194636 字节、17 个证据文件与 manifest。全部文件摘要通过,Salty 同一目录上传后下载 SHA-256 一致,临时下载删除;原 GLM 封存文件不改写。难度与用量保存在旁路回执,五字段本身不加入模型轨迹或质量标签。
清理核对在初次失败校准中发现一个未启动、state=created 的容器,原 timeout 事件写的 cleanup confirmed 不能成立。已按唯一名称/ID/镜像精确删除;两次校准、成功 Agent/grade 与 SDK 临时容器共 43 个名称核对 0 残留,专属网络不存在。首次失败校准、成功候选工作区/grader 副本、20 个校准样例目录、试验镜像及两端 Qwen 临时凭据已删除,原 GLM 稳定镜像/凭据保留。回执保留这次确认被后续现场证据推翻的事实,不改写成从未出错。
最小修复:Docker CLI 超时、中断或负返回码时,容器/网络创建请求可能仍在 daemon 内处理,瞬时不存在不计 cleanup confirmed;父 controller 传播自动校准的 unknown。新增三条必要回归,受影响 core/controller/archive 共 28 项通过,最终全量结果见上段;独立审阅无阻断。没有修改原任务、评分器、期限或已封存的成功轨迹,没有新增模型调用。回归模拟生命周期分支,不宣称能取消在途 daemon 请求;unknown 后仍须按唯一名称核对资源。
本轮新增代码和文档保留为本地工作区修改;未配置 Git remote、未 push,也未启动训练。先前五批本地提交保持不变。
当前只有一条软件任务;整个系统尚未完成二十题试点与扩量。下一步恢复 Bos-qiao 任务/runtime 快照,按来源和根因族逐题校准,至少两个任务族,再建立批次质量、用量和失败统计。失败但完整的真实尝试也应保留。
真实执行与独立无网评分先用 36 Docker。Salty 已验证镜像和持久盘,正式 Agent 后端的安全模型通道、候选交接、隔离与取消仍需单独验收;不假定 Secret、嵌套 Docker 或 grader 无网能力。隐藏测试不能放到 Agent 可读个人盘。
16 MiB 原生轨迹限额不等于整个工作区磁盘配额;当前仍只适合受控镜像与固定 Pi adapter,扩量前提供容量受限 volume。费用未知时记未知,不把 Pi SDK 的占位价格记为实际零费用。回执 NOT_TRAIN_READY 为兼容字段,本项目没有训练准入或转换流程。
## P0 修复:Agent 断外网与评分超时
2026-10-12。只读审阅发现两项直接影响数据正确性的问题,本步只修这两项,不改用例、ground truth 或其他合同。
- Agent 网络:controller 专用网络原为普通 bridge,Agent 可直连外网,可下载上游修复而污染轨迹。现以 `--internal` 创建;`core.run` 只接受 `Internal=true` 的 `--agent-network`,未指定时 Agent 使用 `--network none`;删除未使用的 `host.docker.internal` 映射。
- 评分超时:verifier 单例 1 秒、整次 grade 15 秒,主机繁忙时正确解会被判 FAIL;本地全量回归复现 1 次,此前回归与校准各有 1 次超时。改为单例 5 秒、编译 30 秒、隔离探针 10 秒、`timeout_seconds=60`,task version 升为 2。87 个用例不变,`dataset.json` 只重绑两个身份摘要。
本地全量单元测试通过:工作区 58 项,提交快照 42 项;逐项回退三处修复,新增断言均失败。未在 36 Docker 实测。旧校准与旧 controller 因任务摘要变化,不能用于新 run 或重新封存;已封存归档不受影响。上线前在 36 确认 internal 网络下代理 gateway 可达、外网不可达,再用新任务完整 20 次 Docker 校准。
## P0 现场验收与多文件任务合同
2026-10-12 续。上一会话的 P0 提交此前未在 36 实测;本步完成验收,并把任务合同从单个 `decoder.c` 扩展到多文件,作为导入 Bos-qiao 任务的前提。
- 同步:36 副本先与 Mac 逐文件比对,确认与 P0 前工作区一致后才同步。36 的 `/mnt/data`(JuiceFS)出现数分钟级 FUSE 停顿:全量单测启动卡约 5 分钟(测试本身 17.5 秒),同一校准在 JuiceFS 上耗时十余分钟。按方案“执行账本放本地盘”,活跃代码与新 runs 改放本地 ext4 `/home/ming01.wang/embedded-rollout`;JuiceFS 上的历史证据与凭据文件原地不动。
- 网络探针:`--internal` 网络中,正式镜像容器可访问 gateway 上的 host 监听,访问 1.1.1.1:443、114.114.114.114:53、Qwen 上游及 DNS 均失败;探针网络和容器删除后复核为 0。
- 校准:新任务 v2 在本地盘 20 次 Docker 校准 PASS,11 秒,cleanup confirmed(`runs/calibration-6982aa90…`);JuiceFS 上同代码另一次校准也 PASS(`calibration-5c1d4f56…`),只是更慢。
- 真实采集:Pi/GLM-5.3 9 轮模型请求全部经 internal 网络代理,原生证据 VERIFIED,独立 87 项 PASS,Agent 正常退出,网络/代理/容器 cleanup confirmed,3 分 05 秒(`runs/pi-a26466b2…`)。用新 archive 复核封存为 `artifacts/rollout-20261012-glm-a26466b2.tar.gz`,420117 字节,17 个证据文件加 manifest,SHA-256 `0b963b0e…c754`;尚未上传 Salty。
- 合同扩展(先改 architecture/agent,再实现):`candidate_files` 1–16 个文件;template 全部文件进入工作区;`fixtures` 可声明多个 cheat 与合法替代解,校准按 5×样例数;`grader_files` 私有附件 0600 进 `/grader`;无 `dataset.json` 的任务导出 `call_type=verifier`。frame-decoder 的 task 摘要、旧 20 次校准回执与导出 query 均保持不变(测试固定)。
- 同步清理审阅提出的 P1/P2:模型改为 `MODELS` 表,上游与 Responses 检查按表取;`core._read` 统一 O_NOFOLLOW 有界读取,替代 archive/pi_run/native trace 各自实现;`core._create` 合并两处独占写;`core._sigterm` 合并两处信号处理;删除未用的 `validate_task` 与 `phase="evidence"`;校准 cleanup 状态改为每次试验后汇总一次。
检查:Mac 全量 61 项通过;36 本地盘 61 项通过、1 项因 host 无 Node 跳过。逐项回退 6 处新逻辑,相应测试均失败。凭据文件只以路径交给 controller,未读取内容。
下一步:从 Bos-qiao `envs/S500_*` 选 C/Python 标准库任务,写薄导入器(解析 heredoc 样例而不执行脚本,包装原 check.py/tests.py 为受保护 verify.py),在 36 正式镜像逐题 Docker 校准准入,再批量真实采集并出批次报告。
## Bos-qiao 导入、首批失败与 trace3 修复
2026-10-12 续。目标:恢复 Bos-qiao 成熟任务,完成 M1 的 20 题准入,并用批量真实采集测量难度。负责文件:`rollout/bos_import.py`、`rollout/bos_verify.py`、`rollout/report.py`、`rollout/regrade.py`、`agent/pi.mjs` 与 `tasks/S500_*`。
- 盘点:只读拷贝 36 上 182 道 direct 候选。check.py 递归收集全部 `*.py` 的 rglob 型 81 道暂不导入(合同只冻结声明文件,照搬会误判合法拆分);ROS2 5 道缺 Jazzy 镜像;其余 91 道“只评声明文件”的非 ROS 任务可导入。
- 导入器:样例脚本只解析不执行(带引号 heredoc、字面量 `Path().write_text`、工厂固定 files 循环),与 bash 实际执行逐字节对比 0 差异;`cheat_exit_zero`→noop,其余 cheat 与 `valid_*` 保留为额外样例;统一 verify.py 以 UID 65534 原样运行原 check.py。
- 选题:3 个任务族共 20 道(linux-device-abi 7、firmware-image-boot 7、motor-sensor-control 6;C 5 道、Python 15 道)。方案建议的 ROS2/构建配比因镜像缺失按“恢复盘点后调整”改为上述三族。
- 校准:首次 20 道全部 INFRA_ERROR——包装器先 chown 再 chmod,评分容器的 root 无 CAP_FOWNER;目录改名 `runs/pilot-calibration-chown-bug` 保留。修正顺序并加回归测试(回退顺序即失败),重导入后 20/20 PASS、785 次试验、cleanup confirmed。
- 首批采集(`runs/batch-20261012-pilot`,旧镜像 trace2):前 4 条 GLM 第三轮输出 32000 token 全用于思考,以 `length` 终止、未做任何编辑,Pi 退出 1;且 host `agent.stdout` 在 107 KB 长行处只写入 65537 字节,与 native 不一致,证据 UNVERIFIED。确认为配置/adapter 故障后按 PID 终止批次:8 个 controller(4 FAIL/UNVERIFIED、4 中断 INFRA_ERROR),中断的 4 条按合同记 cleanup unknown,现场按名称复核 0 容器、0 网络;全部不计合格轨迹。与 Bos 历史“修改前输出预算耗尽”(233/242)为同一现象,不作为能力基线。
- 修复(先改 agent.md 合同):`writeAll` 处理非阻塞 stdout 部分写入与 EAGAIN;streamFn 显式传 `maxTokens=131072`(Pi SDK 默认截到 32000;经本项目代理实测上游接受 131072/98304/65536)。以 trace2 digest 加新 `pi.mjs` 构建 trace3:`bench-runtime@sha256:7e3f4e3b…06f1`,已推送 CCR;镜像内 Pi SDK 12/12 通过、0 跳过;21 道任务用 trace3 重新校准全部 PASS(2 分 51 秒)。
- 单条验证(`runs/trace3-smoke`,S500_n2_153):18 轮请求,最长一轮输出 51719 token,stdout 与 native 逐字节一致,证据 VERIFIED,独立评分 PASS,cleanup confirmed,1487 秒。单条耗时约 25 分钟,批次改为每题 2 次、4 路并发、`--agent-timeout 3600`(仅防挂死)。
- 归档:`rollout-20261012-glm-a26466b2.tar.gz`(P0,420117 字节)与 `rollout-20261012-trace3-S500_n2_153-434a4855….tar.gz`(多文件任务首份,18 个证据文件、`call_type=verifier`,5451049 字节)上传 Salty 后下载核对 SHA-256 一致,临时下载已删除。
检查:Mac 全量 Python 测试与 Node 7 项通过(SDK 5 项本地跳过、镜像内全部通过);新增导入器、判据包装、报告、重判及 writeAll 的变异检查均能捕获回退。
- trace3 批次(`runs/batch-20261012-trace3`):完成 2 条——S500_n2_155 PASS/VERIFIED(15.2 MB 轨迹),S500_n2_112 撞 16 MiB 原生轨迹上限(TRACE_LIMIT_EXCEEDED,主动中止、UNVERIFIED,stdout 与 native 逐字节一致);运行中轨迹已达 9–11.5 MB,单条验证那条也仅差约 17 万字节到上限。体积来自每 token 约 110 字节的增量事件与每轮完整 context(随轮数平方增长),二者都是因果核对证据,不删减。按 PID 停止批次,其余 4 条中断记 INFRA_ERROR/cleanup unknown,现场复核 0 容器、0 网络,均不计合格。
- 上限调整(先改 agent.md):adapter 与 host 的 `MAX_TRACE_BYTES` 同步改为 64 MiB,Node 超限测试按上限比例构造数据。trace4 = trace2 digest 加新 `pi.mjs`:`bench-runtime@sha256:1e195a49f79fb8c68410f689dd2e627d0df63d62cd4de0000ba57bd1daa78e9a`,已推送 CCR,镜像内 12/12 通过;21 道任务 trace4 重新校准全部 PASS。trace4 批次 `runs/batch-20261012-trace4` 于 15:05 UTC 启动:20 题 × 2 次,4 路并发,`--agent-timeout 3600`。
- trace4 批次结果(详见 [acceptance.md](acceptance.md) 的 M1 试点):45 次尝试、40 条完整轨迹(每题 2 条),33 PASS、7 FAIL;40/40 独立重判一致;5 条排除均为上游 500/429 或 JuiceFS 读凭据故障,部署代理重试与状态归类后补采全部完整(其中 2 条由重试救回)。40 份归档与报告打包 `batch-20261012-trace4.tar` 上传 Salty 并下载核对一致。清理:0 容器、0 网络;Mac 解包目录与 36 打包副本、trace3 本地镜像标签已删除;失败与停止批次的回执、max_tokens 探针日志作为排除与决策证据保留。
## 当前状态与下一步
M1(20 题准入、完整尝试、正负例与重判)已有实际证据;M2/M3 仍需持续采集与扩量。按优先级:
1. 把 `.private/access.json` 从 JuiceFS 移到 36 本地盘的私有目录(0700/0600),需用户操作;本次 1 条采集因 JuiceFS 读凭据 EIO 失败。
2. 对 1/2 与 0/2 的 6 道题增加采样(建议每题 ≥5 次)并复核 FAIL 根因,区分能力缺口与题面/判据问题,再决定主采集池;2/2 的 14 道题转为回归。
3. 扩量前确认 36 `/home` 容量(本次结束剩 51 GB,96%),或换到项目专属 volume。
4. 候选通配合同(rglob 型 Bos 任务约 57 道可导入)与 ROS2 Jazzy runtime,按需要逐项准入。
5. Salty 正式 Agent 后端仍待平台的 Secret/无网能力确认;当前采集与评分继续在 36 Docker。
## 2026-10-13 新版 Qwen 服务复跑(完成,副产物已删除)
用户指定 `qwen3.8-27b-nvfp4` 与 `http://114.111.18.115:18080/v1/responses` 的新版服务,并要求核验后删除本次副产物。本次只用 36 本地盘的唯一私有临时目录,复用现有 `pi_run` 与 trace4;33 份运行代码和任务文件先与 Mac 逐文件 SHA-256 核对一致。未向 Agent 提供密钥、隐藏判据或参考解。服务探针:`max_output_tokens=512` 和 `65536` 均 HTTP 200/completed、回答 2,分别 1.45/1.62 秒;接受参数只证明接口兼容,不证明能生成该上限长度。
| 尝试 | 正式结果 | 证据 | 模型请求 / 工具反馈 | Agent 与评分耗时 | SDK token 合计 |
| --- | --- | --- | --- | --- | --- |
| frame-decoder,trace4 | PASS,87 项检查全过 | VERIFIED,正常退出 | 8 / 7 | 52.720 秒 | 42174 |
| S500_n3_152,原 8192 上限 | UNVERIFIED,评分 FAIL 不作为能力结果 | 第 3 轮 length / response.status=incomplete,退出 1 | 3 / 3 | 100.901 秒 | 15825 |
| S500_n3_152,65536 上限补跑 | FAIL,正常完整结束 | VERIFIED,正常退出 | 46 / 46 | 1229.447 秒 | 2730870 |
准入:frame-decoder 完整 20 次正负例校准通过;evdev 原镜像与补跑镜像分别完整 40 次通过。evdev 首轮第 3 次回复的 8192 token 全用于思考,未动手就被截断。确认新服务接受 65536 后,仅在私有临时目录构建 trace4 的派生镜像(image ID `sha256:1ccd46e537578ea1423320e2f3ea85d861ce5e4eb0eb80c4d646305a663740a4`),将 Qwen `maxTokens` 从 8192 改为 65536;原题和判据保持原身份,重校准后补跑。首个长推理轮输出 25850 token 才开始后续工具操作。此配置调整只用于本次试跑,派生镜像已删除,仓库运行源码未修改。
补跑 46 次上游请求均 HTTP 200,无代理重试;原生工具反馈全部进入后续输入。SDK 合计含 122176 input、73238 output、2535456 cacheRead,费用未知。frame-decoder 和 evdev 的冻结提交均在新无网容器独立重判,分别 PASS/FAIL,与原判 2/2 一致,清理 confirmed。
失败诊断:只在私有任务副本中将 check.py 的失败消息改为携带子进程 stderr 尾部;测试、通过条件和候选不变,在相同镜像、无网/降权评分边界下执行。首个实际失败为 `AttributeError: module 'evdev_frames' has no attribute 'process'`,位于隐藏 tests.py 对 `process(request)` 的调用。候选已通过此前的解码行为检查,随后缺此函数而失败;此处之后的 CLI 检查未被该诊断执行,不能据此声称它们全部通过。公开 README 只声明 EvdevDecoder 与 CLI,没有声明 process 及输入不得修改的约束;旧两条 GLM 候选也缺此接口。因此正式 FAIL 如实记录,但 GLM/Qwen 在该原题的 FAIL 不能直接归因为能力不足。下一次公平复测应先公开补充 process 合同,以新任务摘要重新校准和采样,不改写原题历史。
清理:结果核验后分阶段删除首轮运行目录,再删除补跑、重判、诊断任务副本、全部原生/代理日志、候选与校准文件、临时脚本、0600 凭据和派生镜像。按本次 events.jsonl 的 `event=container_requested` 收集并精确复核 109 个容器名、3 个专属网络,最终均 0 残留、0 活跃 runner,临时目录已不存在;稳定 trace4 镜像仍在,历史数据和其他项目资源未改。凭据外泄扫描通过。本次只在本节保留事实摘要,不新增归档或 Salty 上传;原始产物已按用户要求删除,无法再从本次原件重放。总墙钟耗时含探针/构建/校准/诊断/清理约 27.8 分钟。
证据核验时的摘要:frame native `244dd5a82425c55581e9d7a5f58b273c2555ed7747fd147a49e626161b26cc77`;evdev 补跑 native `072675245a1927bd6d03e26af66c3fb7e9199af4b4287e4d1311346906158ff5`、冻结单文件 SHA-256 `3e8f57a941ff77300f44d5150be6197624e61f238321f197c2844772dbc50ae5`。本次只有两题,未重跑整个 20 题池,不能据此估计模型整体成功率。
## 2026-10-13 Qwen 全题基线(完成,副产物已删除)
用户选定每题 1 次、共 20 次初筛,模型为指定新版服务的 `qwen3.8-27b-nvfp4`。正式串行批次于北京时间 12:10–16:32 完成:**18 PASS、2 FAIL,单次全题通过率 90%**。20/20 均正常完整结束、证据 VERIFIED、冻结候选在无网容器独立重判一致;正式批次没有预算耗尽、基础设施排除或补采。677 次模型请求全部 HTTP 200、代理重试 0 次。此指标衡量当前模型部署、Pi 工具和预算下的完整 Agent 作答,不是单个 API 回复或稳定的单题通过概率。
| 任务族 | 通过 / 总数 |
| --- | --- |
| motor-sensor-control | 4 / 6 |
| firmware-image-boot | 7 / 7 |
| linux-device-abi | 7 / 7 |
| 题目 | 内容 | 结果 | 分钟 | 模型请求 / 工具反馈 | 累计 output token |
| --- | --- | --- | --- | --- | --- |
| S500_n2_112 | 互补 PWM 死区 | PASS | 12.1 | 26 / 25 | 65134 |
| S500_n2_153 | Clarke/Park 及逆变换 | FAIL | 6.8 | 26 / 26 | 37839 |
| S500_n2_154 | CAN 整数位时序 | FAIL | 17.7 | 32 / 32 | 51739 |
| S500_n2_155 | NTC ADC 测温 | PASS | 6.3 | 20 / 22 | 35052 |
| S500_n2_157 | SVPWM 占空比 | PASS | 11.9 | 27 / 28 | 64627 |
| S500_n2_158 | SSI 编码器帧 | PASS | 7.8 | 37 / 36 | 38696 |
| S500_n3_053 | A/B 启动槽 | PASS | 5.6 | 20 / 20 | 29669 |
| S500_n3_085 | 多成员压缩流 | PASS | 22.0 | 48 / 48 | 99955 |
| S500_n3_088 | MTD 坏块映射 | PASS | 12.4 | 25 / 27 | 67619 |
| S500_n3_102 | Linux RTC | PASS | 7.4 | 24 / 25 | 41194 |
| S500_n3_104 | spidev 全双工 | PASS | 12.8 | 24 / 25 | 70061 |
| S500_n3_108 | DMA-BUF CPU 访问 | PASS | 14.4 | 65 / 66 | 76768 |
| S500_n3_126 | GPIO v2 行请求 | PASS | 17.4 | 50 / 52 | 88769 |
| S500_n3_142 | U-Boot uImage | PASS | 13.6 | 28 / 29 | 44835 |
| S500_n3_144 | Linux watchdog | PASS | 8.9 | 18 / 18 | 47342 |
| S500_n3_152 | evdev 帧与丢包恢复 | PASS | 12.6 | 29 / 29 | 57796 |
| S500_n3_153 | FDT 二进制校验 | PASS | 17.5 | 28 / 29 | 93677 |
| S500_n3_154 | U-Boot 环境块 | PASS | 12.5 | 49 / 49 | 59606 |
| S500_n3_155 | I2C_RDWR 组合事务 | PASS | 23.8 | 68 / 71 | 93833 |
| S500_n3_157 | UBI EC/VID 校验 | PASS | 14.8 | 33 / 34 | 77092 |
正式作答累计 4.31 小时;每题中位数 12.55 分钟,范围 5.6–23.8 分钟。合计 677 次模型请求、691 次工具反馈;SDK input 1947519、output 1241303、cacheRead 34880160、totalTokens 38068982。output 是整段轨迹累计,不是单次回复长度;cacheRead 不能当作新增生成量,价格与实际费用未知。尚无更短且同样通过的对照,不能据耗时直接断言过程浪费或训练必然提效。
两条真实失败(诊断保持原测试与通过条件,仅增加消息细节,诊断 FAIL 与原判一致):
- S500_n2_153:`AssertionError case 30 mismatch`,0-based 的公开精度场景;大数乘积约 1e12 强抵消后得到较小功率,公开合同要求按输入实数精确点积并满足绝对/相对 1e-8。测试同时检查变换量和功率,只能确认此精度场景失败,不能从首个失败消息确定候选具体错误字段或声称后续用例通过。
- S500_n2_154:`AssertionError case 76 mismatch`,0-based;`clock_khz=1.0` 是浮点类型,公开合同要求整数且类型错误抛 `ValueError`。属于输入类型与异常契约场景失败,不能据此把 CAN 最优时序算法判为不会。
公平性与配置:已只读审阅全部 20 题公开接口及判据。此前 evdev 的私有测试要求 `process(request)` 和输入不可修改,但题面未公开;仅在本次私有副本补齐该合同,版本 `2-public-process`,重新计算摘要并校准,本轮 PASS(旧原题 FAIL 不作为能力缺口)。其余 19 题未发现明确必需功能漏项;SPI/I2C 的私有分配代理限制本轮没有引发失败。20/20 完整校准通过,共 785 次正负例检查;SDK 12/12、65536 wire 参数检查和 Mac 69 项 Python 测试通过,临时 runner 最终 16 行为检查通过;328 个源文件与远端 SHA 一致。
所有正式尝试使用同一临时派生镜像 `sha256:0764fe2c0ad89c5a989f023b98313270ec5f4b912d3b4da4dac2b1c754164397`,仅把稳定 trace4 的 Qwen 每次回复上限从 8192 改为 65536;单题 3600 秒、原生证据上限 64 MiB。采样参数未指定,使用服务默认值。仓库模型执行源码和原任务/历史结果未改写,隐藏判据、参考解和密钥不交给 Agent。
早期四路运行产生 5 条传输诊断(1 条流提前结束、4 条主动中断),全部排除,不能混入这轮 20 条能力基线。代理 300 秒是上游 socket 无字节等待限制;原日志未记异常类型,排队原因仅为时序推断。转串行后全题正常完成。用户选择初筛后取消额外四轮,已完成首题及正在作答的第二题被保留/接管,没有重新抽样挑结果。
采样与训练判断:**不建议对这 20 题平均大量重复采样后直接微调。** 18 题已证明在本配置下可解,更适合先作回归集;优先对两类公开要求失败构造新数值规模、抵消强度、输入类型与异常行为变体,并收集验证通过的正确解法。一次成功不等于稳定掌握,一次失败不等于始终不会;现有结果只支持定位潜在提升点,不能保证微调收益。效率训练需要较短且同样正确的示范;微调前后必须在未参与训练的变体上用相同预算比较通过率、输出量和耗时,而不只复测原题。
结果先保存到本节,再进行最终精确清理。六次自动目录删除遇到 root 所有的自测目录权限,前三次已现场修复;最终清理另修复 5 个权限路径,旧回执的 unknown/raw_deleted=false 是当时事实,不能改写成未出错。现场审计共 863 个本批容器名(包括权限修复容器)、25 个专属网络,最终 0 容器、0 网络、0 活跃本批进程;完整运行目录、全部候选/自测、轨迹/代理日志、785 次校准产物、临时任务/脚本/凭据和派生镜像均已删除。稳定 trace4 镜像、49 个原有容器及 5 个原有网络保持;3069 个文件扫描未发现两份 0600 凭据以外的 key 字节。Mac 临时 runner 目录和本轮生成的 Python 缓存也已清理。本次不新增归档、不上传 Salty、不保留轨迹供训练,仅在本节保留事实摘要;无法再从本次原件重放。
## 2026-10-13 本地查看真实轨迹
用户明确要求将真实轨迹保留在本地查看,以确认模型请求、工具调用与反馈确实被采集。本次使用本地既有封存包:早期 Qwen frame-decoder 和 trace4 二十题批次中的 GLM RTC 样例;核对归档及 manifest 摘要,展开原件,并生成注明原始行号的阅读副本。验收包括 host/native 一致、broker 请求摘要、工具反馈进入后续输入、完整终态和历史独立评分回执。仅保留用户要查看的两份样本及阅读文件。
完成:原归档已在 Mac 本地,不重复传输。展开到 artifacts/trace-preview-20261013-202420/,保留 Qwen frame-decoder 与 GLM RTC 两份原件、readable-trace.txt 和 inspection-checks.json,合计 38728096 字节。Qwen 与 trace4 批次归档 SHA-256 匹配历史记录;写入后逐文件核对 Qwen 17/17、RTC 20/20 摘要一致,host/native 一致,重新调用 evidence 均 VERIFIED。Qwen 7 请求、6 工具反馈、4584 事件,历史独立评分 87 项 PASS;RTC 27 请求、30 工具反馈、62492 事件,历史独立评分 PASS、批次重判一致。阅读版按原事件顺序保留完整助手消息、工具参数和结果,标注原始行号;重复上下文与逐 token 增量留在原始 JSONL。Codex 文件面板打开请求均返回 queued,聊天显示时打开;RTC 阅读版第 2422 行起可看编译错误、补头文件、复测的完整链。未重新运行模型或候选,未产生脚本、容器或网络;两份查看样本按用户新要求保留。其他并行工作的代码变更不属于本次操作。
## 2026-10-13 架构问题修复:模型参数、私有诊断与公开合同检查
审阅 GLM 二十题与 Qwen 基线后确认三处架构问题并逐一修复(先改 agent.md、architecture.md、task-authoring.md):
1. **模型输出上限写死在镜像里**:每次调整(GLM 32000→131072、Qwen 8192→65536)都要新镜像加 785 次重新校准,Qwen 基线所用临时镜像无法从仓库复现。现由 `MODELS` 表给出 `max_tokens` 与线上字段,controller 以 `--model/--max-tokens` 传给 adapter,镜像内不留默认值;回执记录 `model_max_tokens` 与 `model_sampling=service-default`,证据核对要求每个线上 payload 的上限等于回执值(可捕获 SDK 静默截到 32000 一类回退)。trace5 = trace2 digest 加新 `pi.mjs`:`bench-runtime@sha256:aa5d00779fe03e9eadbf29c030711a4ecd1e5f894255868b5ca451a425299efc`,已推送 CCR,镜像内 12/12 通过。此后调整上限只改 `MODELS`,无需换镜像或重新校准。
2. **准入查不出题面漏项**:S500_n3_152 的隐藏测试调用 README 未公开的 `process(request)`,GLM 的 0/2 与 Qwen 首轮 FAIL 都源于此,M1 报告已更正,不计能力信号。v2 在 README 公开该接口;`bos_import` 对“隐藏判据使用、公开题面未提”的候选模块名直接拒绝,仓库测试对全部已准入任务重复检查(回退 evdev README 即失败)。只覆盖接口名,隐藏行为约束仍需评审。
3. **评分信号过粗**:`bos_verify` 仍原样运行原 check.py,失败子进程的 stderr 尾部抄到 `grade.stderr`(可信侧,可能引用隐藏测试);批次报告 `fail_detail` 取其最后一行,没有时取评分 reason(如 `case 4 mismatch`)。全部 Bos 任务更新判据包装并升为 version 2。
验收:Mac 72 项 Python 与 Node 7 项通过(SDK 5 项本地跳过、镜像内全部通过),36 上 72 项通过(1 项因 host 无 Node 跳过)。21 道任务用 trace5 完整校准 805 次全部符合预期,说明新包装不改变判定;evdev 初态在 Docker 中的 `grade.stderr` 带出 `NotImplementedError` 原文。真实 GLM 冒烟两条:frame-decoder PASS(11 次请求)、evdev v2 PASS(18 次请求,v1 上 GLM 为 0/2),均 VERIFIED;argv 实为 `--model glm-5.3 --max-tokens 131072`,全部 payload `max_tokens=131072`,清理 0 容器、0 网络。两份归档(3842204 与 375844 字节)上传 Salty 后下载核对一致,临时下载已删除。trace4 本地标签因并行会话可能使用而保留。
## 2026-10-13/14 Bos-qiao 原始数据核对与任务制作规范
用户要求确认 Bos-qiao 原始数据是否找全,并据此形成任务创建规范。只读核对 36,不写入任何源目录;全量扫描用 36 本地临时目录与低优先级进程,汇总后已删除。
- 原始存储为 BOS 桶 `d-brain`,本地副本 `Bos-qiao/d-brain/` 10,795 个文件、90 GB。9 月 1 日下载 10,794 个对象,其中 2 个“失败”是 0 字节目录占位;与 9 月 7 日清单(10,800 个对象)逐项比对,仅缺 3 个 1 KB 内的 rdstudio manifest。9 月 7 日之后的桶变化未实时核对(需凭据,未执行)。
- 只有 `rdk-gateway/v2-spans`(含 legacy,5/26 与 6/22–7/08)保存完整工具参数与结果:9,224 个文件、341,455 条 span、0 解析失败;2,408 个会话(168 个用户 ID),1,856 个有工具调用,263 个至少有 1 个文件在修改前被完整读取(215 个在板端 `device_*`、48 个只在本地),每会话可回放文件中位 1、最多 8。flat-logs 的工具参数全部为空、内容只有预览;hermes 只有工具结果没有参数;rdstudio 只是对话摘要,均不能回放。此前 `recoverable_queries_v1` 用同一方法全量复核得到 18 条初态充分的 query,与本次结果相符;上一轮依据的派生 `sessions-spans-all` 只有 1,670 个会话,可回放数由 195 修正为 263。
- 另有不属于 Bos-qiao 的 `/mnt/data/ming01.wang/data-litellm-1.0`(2.2 TB LiteLLM 网关日志,8/18–10/08,自带统计 98.1 万段对话、25.3 万段带工具),抽样可见工具结果全文;未全量扫描,使用前需确认授权与脱敏。
- 安全:`Bos-qiao/download_bos.py` 明文写有 BOS AK/SK,`list_bos.py`/`peek_bos.py` 以其为默认值,三个文件为 `-rw-rw-r--`。本次未打印或使用该凭据,建议用户轮换并改为私有文件读取。
规范:将 [task-authoring.md](task-authoring.md) 改写为任务制作规范,合并 Bos-qiao 写题契约的判据准则、Terminal-Universe 回放规则与 M1 教训:四条来源路线(导入、回放、写题、工程问题)与各自产量,准入预筛(替身测试、不可判、缺材料、隐私、重复),初态/题面/判据/样例规则并标注机检、校准或评审,四道闸门,难度分池(同一配置 ≥5 次:全过进回归集、部分通过进主采集池、0 通过先复核题面)。[规格模板](templates/task-spec.md) 增加来源路线、来源 ID、隐私处理、替身测试、split 分组键、回放与补全清单、环境族和分池结论。未改代码与任务。
下一步:按规范导入 Bos direct 剩余 71 道候选(逐题记录拒绝原因),在 36 正式校准;路线 B 先取 48 个仅本地可回放会话中的 10 个试点,实测回放到准入的产出与人时。
## 2026-10-14 制题存储布局、镜像方式与 Codex 作业说明
用户问三件事:题目存哪(`/home` 不够)、镜像是否每题一个、如何让 Codex 按规范制题。
- 存储实测(36):`/home` 为 1.2 TB 多人共享盘,剩 150 GB(88%),本项目共占 3.6 GB(runs 1.9 GB、artifacts 289 MB、tasks 2.2 MB);Docker 在独立的 `/var/lib/docker` 盘(剩 128 GB);JuiceFS `/mnt/data` 1 PB、剩 945 TB,挂载带 `allow_other`。同日 JuiceFS 读一个小文件耗时 72 秒,逐题读取 Bos 目录 45 分钟只完成 16 题(已停止并删除临时目录)。结论:题目进 Git,制题与运行在本地盘工作副本,结束的批次台账、运行目录与归档迁入 JuiceFS `/mnt/data/ming01.wang/embedded-rollout/{factory,runs,artifacts}`。`.gitignore` 增加 `factory/`。
- 镜像:维持按环境族共用镜像、运行时挂载任务的现有设计(`core._docker` 只读根文件系统,挂载 `/workspace`、`/candidate`、`/grader`);任务不能打进镜像,否则 Agent 可读到隐藏测试与 gold。
- 新增 [task-factory-brief.md](task-factory-brief.md):给 Codex 的交付物、必读顺序、机器与访问、目录、镜像、数据地图、题库现状、路线 A 逐步命令与台账格式、路线 B/C 的启动条件、红线、已知坑与汇报格式;AGENTS.md 与 README 增加指向。36 已装 codex-cli 0.162.1,可匿名从 Gitea clone/pull——仓库含隐藏测试与 gold,建议用户确认其访问权限。
待用户确认的一次性迁移:36 现有 `/home/ming01.wang/embedded-rollout` 是 rsync 副本而非 Git 仓库,需改为 clone 自 Gitea,并把其中 M1 的 `runs/`、`artifacts/` 迁入 JuiceFS;共享根目录下 2026-10-12 的旧代码副本待用户决定是否删除。迁移前需先把本次文档推送到 Gitea。
## 2026-10-14 磁盘保护:剩余空间下限与单次尝试上限
问题(用户侧聊指出,核对代码属实):Agent 容器的 `/workspace`、`/trace` 是输出盘上的可写挂载,控制端只用 `communicate(timeout)` 等待,写入量没有上限;Agent 还能经容器 1 号进程的 stdout 写进 host 的 `agent.stdout`,绕过 adapter 的 64 MiB 轨迹上限。36 `/home` 为多人共享盘,10-13 剩 51 GB、10-14 剩 150 GB,余量不能当安全边界。
实现(先改 architecture.md、agent.md):`core._docker` 启动任何容器前检查输出盘剩余,低于 50 GiB 不启动并记 `termination=disk_low`;`core._process` 改为每 2 秒轮询,Agent 容器运行中剩余低于 50 GiB 记 `disk_low`、本次 attempt 目录(`st_blocks` 统计,含工作区、trace、host stdout/stderr)超过 2 GiB 记 `attempt_size`,随即停止容器,处理同超时(容器清理 unknown、候选不冻结、回执 INFRA_ERROR)。评分容器只做启动前检查。测试新增 1 项(失控写文件被停止、剩余不足即停止、`_docker` 不启动且评分记 INFRA_ERROR),开发机剩余可能低于 50 GiB,测试内把下限置 0;删除大小判断后该测试失败。
验证:Mac 73 项通过;同步 `rollout/core.py`、`tests/test_core.py` 到 36(SHA-256 一致),36 73 项通过(1 项因无 Node 跳过)。36 实测(trace5):frame-decoder 完整校准 PASS;真实 Docker 失控写入(`head -c 4MiB /dev/zero` 循环,上限临时设 64 MiB)被停止,`termination=attempt_size`、回执 INFRA_ERROR,容器按名称复核已不存在,但停止前已写 2.09 GB——检查间隔内的写入仍会落盘,实际上限约为上限加 2 秒写入量,已写入 architecture.md;真实 Pi/GLM frame-decoder PASS,证据 VERIFIED(6 次请求)、Agent 正常退出、清理 confirmed。验证目录(2.0 GB,含 root 所有的写入文件)已删除,0 个 `rollout-` 容器、0 个专属网络,`/home` 剩 146 GB。Codex 说明补充阈值、余量不足即停下汇报(不得删除任何东西腾空间)与批次结束的磁盘汇报项。
## 2026-10-14 36 工作副本迁移
用户确认后执行。36 的 `/home/ming01.wang/embedded-rollout` 原为 rsync 副本,现改为从 Gitea clone 的 Git 工作副本(`b5102e6`),M1 运行记录迁入 JuiceFS。
- 迁移前确认没有运行中的 rollout 进程,新 clone 的 `tasks/` 与旧副本逐文件一致(仅旧副本多一个 `__pycache__`),`rollout/`、`agent/`、`tests/` 相同;新副本测试 73 项通过(1 项因 host 无 Node 跳过),工作区干净。
- 旧副本的 `runs/`(31 项,1,905,560,892 字节)与 `artifacts/`(5 项,302,338,726 字节)用 rsync 复制到 `/mnt/data/ming01.wang/embedded-rollout/{runs,artifacts}`,与已有的 M0 记录不重名;逐项核对文件数与总字节,36 项全部一致。另建空的 `factory/`。
- 核对后删除旧副本。Agent 容器当时以 root 创建的 70 个路径普通用户删不掉,用 trace5 镜像起一个只挂载该旧目录、无网络、`--rm` 的容器删除,容器已不在;`/home` 剩 143 GB。
- 共享根目录下 2026-10-12 的旧代码副本(`AGENTS.md`、`README.md`、`agent.md`、`.gitignore`、`.dockerignore`、`agent/`、`docs/`、`rollout/`、`tests/`、`tasks/`、空的 `.tmp/`,共 85 个路径,均为本人所有)经用户确认后删除;共享根目录现只剩 `.private/`、`factory/`、`runs/`、`artifacts/`。
- Gitea API 显示仓库 `private=false`、`internal=false`,Mac 与 36 均可匿名读取;仓库含全部任务的隐藏判据与 gold,需由用户在 Gitea 设为私有,之后 36 拉取需配只读凭据。
现在 Codex 可按 [task-factory-brief.md](task-factory-brief.md) 在 36 的工作副本中开工。另:本地连跑 9 次测试,1 次在高负载下报 1 个错误(未能捕获是哪项),其余 8 次全部通过,待再现时定位。
## 2026-10-14 制题批次 20261014-A-bos-direct(完成;2026-10-15 冷迁收尾)
按作业 A 逐题盘点、静态导入、校准、独立评审及首次真实试采。边界:只新增任务与文档,不执行来源 shell/工具脚本、不直接读取或复制凭据、不写来源、不改平台、不推送;controller 仅接收已授权私有文件路径。基线 HEAD 为 `3525e76b9abfba411f8d4b143e2721afc4c53a8f`,fast-forward 已确认最新。
盘点与准入:182 个候选,importable 93(含已有 20)、rglob 84、ROS2 5。73 次新导入尝试中 67 成功、6 被导入器拒绝;67 题可信本地与正式 Docker 校准均 PASS。独立内容评审最终保留 54 题,拒绝 13 题,当前 tasks 为既有 21 题加新增 54 题,共 75 题。每道成功导入题都填写 spec 第 1、4、7 节,其余沿用 Bos 原题;拒绝题包与规格保留在批次 rejected 目录,不进任务池。
- 导入器拒绝 6:公开接口名字检查 1、静态样例解析不支持条件/rglob 循环 3、chmod 权限语句 1、样例数量超过上限 1;保留原拒因,不执行脚本绕过或硬改来源。
- 内容评审拒绝 13:n3_068 的定向 cheat 是语法错误坏例;n2_016 的 gold/valid 精确 PSD 检查存在浮点下溢;另外 n2_014、038、047、049、087、088、095、102、111、115、135 未公开 solve 顶层 list/空批 [] 输出合同。后 11 题由试采暴露后对 65 题逐项专项复核发现;原评审备份与修正记录完整保留。
- BLOCKED 89:84 道 rglob 题需要候选通配、多文件冻结与评分合同;5 道 ROS2 题需要正式环境族及固定镜像准入。本批继续下一题,不扩平台。
最终五族:motor-sensor-control 30、linux-device-abi 10、firmware-image-boot 6、embedded-vision 4、robot-navigation 4;完整 ID 清单及全部拒绝/BLOCKED 原因见冷盘 review.md。n3_094 原单题 real-time-scheduling 族回并到 motor-sensor-control,family 改变产生新 digest `ae01826d377ff5a219796f83593bdc146eb0d4e098a5289ac7b6b9e69fab930a`,新身份重新本地和正式 Docker 校准 PASS;旧回执只作历史事实。可信本地与正式 Docker 各 2195 次样例运行(包括该重校准),每类样例正式各五次符合预期。
闸门 3:54 道合格题均作一次 GLM-5.3 / Pi 0.73.1 真实试采,50 PASS、4 FAIL;全部正常退出、host/native/broker 对账 VERIFIED、cleanup confirmed,冻结候选在新无网评分容器重判 54/54 一致。原始物理尝试共 58 条完整轨迹(52 PASS、6 FAIL),另 4 条来自后被拒绝的公开输出合同缺陷题,保留原 PASS/FAIL、证据与封存事实,在 quality-report 中明确排除,不伪改 INFRA_ERROR 或当作能力信号。58 条原始轨迹全部重判一致,并按 archive 白名单、manifest 逐成员字节数/摘要核对后封存。
有效 FAIL 为 n2_013(巨大整数转 float 溢出,未按公开契约 ValueError)、n2_070(精确方差正值下溢,误过零门限)、n2_071(精确实数行列式门限误用浮点阈值)、n2_084(接收超过公开局部范围的观测)。只读核对候选、公开合同和首个评分失败证据;不声称后续用例通过,不修改候选或向运行 Agent 注入答案。真实 FAIL 不否决任务,54 题 spec 最终状态 ADMITTED;本批未做闸门 4,不能据单次结果作难度分池。
配置与验证:固定 trace5 runtime/actual image `sha256:aa5d00779fe03e9eadbf29c030711a4ecd1e5f894255868b5ca451a425299efc`,GLM-5.3 每次回复上限 131072,sampling=service-default,四路并发,每题 3600 秒防挂死。基线、导入后及最终保留题集单元测试均通过;最终运行 73 项,1 项因 host 无 Node 跳过,其余通过。最终独立只读审阅确认 54 个 digest 与 admission/raw/quality 一致,规格满足模板,13 拒题均不在 tasks,已有 21 题及 rollout/agent/tests 对 HEAD 无改动。 Git whitespace 检查 exit=2:导入原材料/样例的 315 处格式提示(文件尾空行及行尾空白);无 spec 或本节提示,保留冻结原字节,不因格式重写已校准任务。真实日志另存冷盘 git-whitespace-check。
证据目标目录:`/mnt/data/ming01.wang/embedded-rollout/factory/20261014-A-bos-direct/`(inventory/import/gates/calibration/reviews/admission、raw report、quality report、review/summary 与拒绝包);运行证据位于同根 `runs/20261014-A-bos-direct{,-dev,-calibration}/`;58 个封存包位于 `artifacts/20261014-A-bos-direct/`。迁移前 source/回执保持冻结,五个目标均由本批独占新建,不覆盖历史数据。
收尾完成:五个批次目录冷迁时共 19743 个普通文件、1108494513 字节,逐路径文件数/字节、空目录结构及链接均一致,完整窗口 source before/after/final 元数据未变,58 包摘要与字节数全部核对。先核对再删除本批热副本;迁移后五根实测缺失、占用 0 字节(Git 任务包保留),残留容器 0、网络 0、活跃作业 0,disk_low 0、attempt_size 0。/home 可用 154132492288 字节(约 143.55 GiB)。四个目录普通用户直接清理;真实运行目录的权限残留仅用挂载该单个目录的无网 trace5 容器清理,helper exit=0 且已不存在。原始回执与轨迹不改写;最终 review/summary 在 cold 更新,迁移前版本另存,后续派生元数据不计入复制时原始 payload 统计。
迁移历史:第一次顺序复制小文件较慢,为提速按本批专属 PID/进程组正常中止,保留原记录,改为 16 路独占子目录复制。恢复预检发现一个 rsync 遗留 0 字节临时文件,明确记 BLOCKED;核对本批拥有的路径、UID、普通文件属性与源前缀后,完整保存到 migration-quarantine 并记录空文件 SHA,再移除原临时路径恢复复制。首次中止和预检阻塞事实均保留,最终第二次完整迁移已通过;不是模型 INFRA_ERROR,未删历史数据或为腾空间清理。准备版辅助脚本也在验证 cold 留档摘要后清理。
本地提交范围为 54 道新任务目录及本节;只提交 main、不推送。下一步按来源或平台所需合同解除已列拒绝/BLOCKED 后,以新身份重新准入;闸门 4 仍为另批范围。
限制:Salty CLI/连接不可用,上传及下载摘要核对单列 BLOCKED,本地封存不冒充已上传。既有 Bos wrapper 的 checker/candidate 同 UID 临时限制按 spec 的 shortcut 记录,未声称任意恶意候选隔离已解决;本批不改平台。原回执绝对路径与字节不改写,冷迁后入口尚无路径重定位合同,直接重跑需恢复原路径或审定合同升级。后续先由来源/平台对应升级解除拒绝或 BLOCKED,再以新身份重校准/试采;难度分池另批处理。
## 2026-10-15 Bos 判分隔离修复与重新校准
问题:`bos_verify` 把临时根目录连同 grader 副本全部 lchown 给 UID 65534,check.py 与它启动的候选进程同为 65534,候选可经 `/proc/<check>/cwd/grader/check.py` 读到隐藏用例与 oracle。10-15 已在 36 用 trace5 复现(S500_n2_070 加“查答案”样例,正式校准 5/5 PASS),因此全部 74 道 Bos 题此前的 PASS 都排除不了作弊。
实现(先改 architecture.md):verify 以 root 运行原 check.py,grader 副本归 root、目录 0700,临时根目录 0711,只有 `work/` 归 65534。包装器让 `subprocess.Popen` 一律带 `user/group=65534, extra_groups=[]`,`tempfile.mkdtemp` 新建的目录改归 65534。check 进程装有 audit hook:执行来自候选或临时目录的代码、从中 import 或 dlopen,以及隔离模式下调用 `os.system/exec/spawn/fork/posix_spawn` 时,以退出码 86 结束,verify 记 UNVERIFIED。check.py 原文未改。
分类(逐份读 74 个 check.py):
- 可隔离 38 道:36 道 n2 RUNNER 型,候选子进程只从 stdin 收输入、回传结果,期望值在 check 进程复算比对;S500_a3_838b7704edd2 的探针只回传调用记录;S500_a3_92990efd63db 只比对候选数据,执行的是 SHA-256 锁定的原始类。
- BLOCKED 36 道:35 道 tests.py 型(a1 7 道、n3 28 道),check 把隐藏 tests.py 复制进临时目录,由同一子进程 import、ctypes 加载候选,或把候选与 oracle 编进同一程序;S500_a2_426889b9a968 的 `_probe.py` 在候选进程内断言隐藏用例。UID 隔离对同进程无效,原先粗估约 7 道偏低。
- 用户确认按 BLOCKED 失败关闭:这 36 道带私有 `isolation-blocked.txt`,verify 直接返回 UNVERIFIED,校准不能 PASS,run/pi_run 拒绝;bos_import 遇到根目录有 check.py 以外的 `*.py` 时自动加此标记。task-authoring、task-factory-brief、README 同步改为“候选只能在子进程里运行、只拿输入”。
Git:经用户确认,36 未推送的 f1acc8c(54 道新题)fast-forward 到 Mac main 并推送;Mac 上另一会话未提交的 deployment.md、progress.md 改动原样保留。修复提交 de3755c:74 道 Bos 题换新 verify.py 并升 version(1→2、2→3),其中 36 道加标记。
验证:
- Mac:75 项测试通过(Docker 探针 1 项跳过)。38 道可隔离题可信本地校准 37 PASS;S500_n2_158 的 gold 用 `int.bit_count()`,Mac 的 Python 3.9 不支持,镜像内 3.10 正常,不是本次回归。本地运行中 guard 没有一次误判。
- 36(de3755c,工作区干净):75 项通过(Node 与 Docker 探针 2 项跳过)。`ROLLOUT_TEST_IMAGE=<trace5> python3 -m unittest tests.test_bos_isolation` 在 S500_n2_070 上加 `cheat_lookup` 样例走正式 Docker 校准:探针 5/5 FAIL,子进程 stderr 为 `grader unreadable`,gold PASS,整体 PASS。对照:同一测试换回 f1acc8c 的包装器,探针 5/5 PASS、测试失败,说明测试能抓住回退。临时目录已删除。
- 74 题正式校准(trace5 digest,4 路并发):`runs/20261015-bos-isolation-calibration/`,共 2530 次样例运行。38 道可隔离题 PASS,每类样例 5 次全部符合预期;36 道 BLOCKED 为 UNVERIFIED,原因均为 `isolation blocked`。回执的 digest、version、image 与当前任务包一致,cleanup 全部 confirmed。结束后 0 个 `rollout-` 容器、0 个网络,`/home` 剩 141 GB。运行目录 39 MB(8347 个文件)与日志 308 KB 暂留 36 本地盘,供下批 pi_run `--calibration` 复用,批次结束后按 brief §4 迁冷盘。
限制:
- root 身份的 check 会跟随候选在共享临时目录里放的符号链接(代码内 shortcut)。
- guard 只看 Python 层审计事件:经 ctypes 直接调用 libc 的 fork、用 `spec_from_file_location` 加载候选扩展模块都不在覆盖内。目前 38 道题都不在 check 进程里执行候选代码。
- 旧包装器下的历史 PASS(M1 与 20261014 批次轨迹)仍排除不了作弊;38 道可隔离题的冻结候选可用 `rollout.regrade` 按新版本重判,尚未做。
- 36 道 BLOCKED 题须按 RUNNER 方式重写判据,升版本后重新准入。
下一步:重判 38 道题的历史 PASS 候选;另批重写 36 道 BLOCKED 题的判据。
## 2026-10-15 制题批次 20261015-C-embedded-pilot
按本批 BRIEF 执行路线 C,在 `serial-protocol` 一个族内原创五道 C11 现成工程修复题;盘点 5、新增并准入 5、拒绝 0,闸门 1–3 各通过 5。仅新增五个任务目录与本节,不改平台或已有任务;main 只做一个本地提交,不推送。开工 `git pull --ff-only` 已最新,工作区干净,`/home` 可用 150373117952 字节,超过 60 GiB。
| 任务 | 工程文件数(源/头) | candidate_files | 真实通过 | 工具调用数(三次;中位) | 耗时秒(三次;中位) |
| --- | --- | --- | --- | --- | --- |
| serial-hdlc-recovery | 8(6) | hdlc.c、packet.c | 3/3 | 29、47、34;34 | 412.726、510.550、724.110;510.550 |
| serial-cobs-recovery | 8(6) | cobs.c、packet.c | 3/3 | 32、48、40;40 | 454.087、821.667、558.291;558.291 |
| serial-fragment-reassembly | 7(5) | reassembly.c | 3/3 | 27、18、35;27 | 309.405、262.400、344.334;309.405 |
| serial-dma-ingress | 9(7) | ingress.c | 3/3 | 25、29、19;25 | 182.786、337.411、167.179;182.786 |
| serial-rtu-timing | 7(5) | rtu.c、rtu_timing.c | 3/3 | 31、29、29;29 | 308.957、322.570、209.589;308.957 |
每题初态可编译,判据仅 `check.py`,`verify.py` 原样复制 bos_verify;只读工程与 template 逐字节一致,C harness 只输出原始观察,Python 独立复算预期。输入、工程和编译在候选运行前准备,之后不访问共享 scratch。每题检查项与公开条款逐项对齐,均有七类样例。最终身份可信本地和 trace5 Docker 各 175 次样例运行全部符合预期;125 次负例均成功编译后按设计机制行为失败,gold 与不同结构合法解全部通过。开发及正式校准历史共 22 次、770 次样例运行全部保留。审阅发现的 CRC/XOR 自测字节、公开规模/期限、RTU 负例构建告警及 HDLC chmod 故障均在采样前修正,失败或失效回执不作准入证据。
真实环境固定 trace5 digest/actual ID `sha256:aa5d00779fe03e9eadbf29c030711a4ecd1e5f894255868b5ca451a425299efc`,GLM-5.3 / Pi 0.73.1,回复上限 131072、sampling=service-default、四路并发、3600 秒防挂死。15 条完整真实轨迹:15 PASS、0 FAIL、0 排除,host/native/broker 均 VERIFIED、Agent 正常退出 0、cleanup confirmed。15 个冻结候选全部在新容器独立重判一致,15 份 archive 经 manifest 逐成员字节/SHA-256 与外包摘要复核通过。工具共 472 次;usage input 589072、output 384792、cacheRead 8293248、totalTokens 9267112,费用未知。
通过率分布为 5 题均 3/3,按 BRIEF 全部照常准入并标回归候选;未达到“GLM-5.3 不能稳定一次做对”的难度目标,未产出部分通过题,不重抽或扩量。闸门 4 未执行,三次试采不能冒充至少五次的分池证据。基线 75 项通过、2 项环境跳过;最终 `ROLLOUT_TEST_IMAGE=<trace5> python3 -m unittest discover -s tests -v` 75 项通过,仅 host 无 Node 跳过 1 项,真实 Docker 隔离探针已运行通过。根 Agent 与非作者交叉只读审阅通过,全部任务摘要与准入、校准及真实回执一致;最终 Git whitespace 检查通过。
证据位于 `/mnt/data/ming01.wang/embedded-rollout` 下同名 `factory/20261015-C-embedded-pilot/`、`runs/20261015-C-embedded-pilot{,-dev,-calibration}/`、`artifacts/20261015-C-embedded-pilot/`。factory 保留 inventory、admission、calibration-history、failure-mechanisms、package-audit、report、summary、review、测试及资源记录。冷迁已完成:原始payload共3452个普通文件、287924302字节;非log双端SHA、路径/size/mode/mtime与源冻结核对通过,最终log另行复制并复读SHA。精确删除五个已核验热根,实测缺失、热payload占用0字节。迁移42份派生记录共22284251字节另存cold factory的migration-evidence/及manifest,不计入原始payload;storage-final.json列最终事实。
已按本批前缀、UID、普通文件树及源码与冻结样例/harness 摘要核对清理 494 个可信本地 scratch,实际剩 0;本批已记录 325 个容器及 15 个网络均无残留,没有 prune 或清理其他作业。结构化事件核对 disk_low 0、attempt_size 0。活跃批次作业0,迁移临时目录已在复制/SHA核对后清理;/home可用140569747456字节(约130.92GiB)。首次终核因950个目录utime与冷树复扫超过等待窗口、活跃Codex日志增长而安全失败,未删源;完整保留失败冷log快照/摘要及回执后,仅移除本次生成的失败log,重新全量核对非log冷元数据并经独立只读审阅,将耗时核对前置,最后0.704秒同步完成log快照/源冻结检查与精确删除。最终票据明确采用先前双端SHA、prepare全量元数据与冷目标唯一写者证据,没有宣称末阶段又做全量SHA。原始payload与回执不改写;迁移派生记录另增,不回写封存轨迹。Salty CLI 本机不可用,上传及下载摘要复核单列 BLOCKED,未上传;解除条件是提供已登录 CLI/连接后按归档合同完成上传、下载核对并删除临时下载。原回执绝对路径与字节不改写;冷迁后直接重跑需恢复原路径或先审定路径重定位合同。
下一步:停在本批五题闸门 1–3 的审阅点,等待用户审阅后再决定难度调整或同族扩量;Salty 发布待具备连接后补齐。未做硬件验证、模型训练或权重更新。
## 2026-10-15 BLOCKED 判据重写试点(3 道)
目标:验证 36 道 isolation-blocked 题能否把判据改成“候选只在子进程里运行、只拿输入、回传原始结果,期望值与断言全部留在 check.py”,并估算其余题的工作量。题面、template、公开接口与原有样例都不变。
选题:Python n3 取 S500_n3_133(iio_scan,tests.py 84 行,含严格类型比对、改输入与别名探测、CLI,是剩余 Python n3 的典型形态);C n3 取 S500_n3_102(rtc_client,tests.py 把带断言的 C 驱动与候选编进同一程序;剩余 8 道 C/C++ 题有 6 道是这种 harness 型,ctypes 型只有 n3_041);以及 S500_a2_426889b9a968。
实现(每题只改 check.py、task.json,删掉 isolation-blocked.txt 与已并入 check.py 的 tests.py,新增 cheat_read_grader 样例):
- n3_133 v2→v3:用例生成代码原样搬进 check.py(同一随机种子,输入不变)。RUNNER 子进程 import 候选,从 stdin 收全部用例,回传按类型标记的结果(保留原 strict 的 list/tuple、bool/int 区分,dict 不计键序)、ValueError、是否改了输入、别名探测后的长度;CLI 由 check 直接以 65534 运行。
- n3_102 v3→v4:日历与故障组合在 check.py 用原种子生成;新 harness 只把每个用例的 rc、errno、调用次数、fd 是否仍打开、out 原始 32 字节和桩记录的调用(request、fd 是否一致、fd 是否打开、buffer 是否非空)打印出来。桩不再断言,只在 request 匹配时写 buffer;期望的 errno、调用序列与 out 字节由 check.py 计算。输出行带随机前缀,候选自己的整行打印不影响判分。
- a2 v2→v3:systemd 字段仍在 check 进程解析;原 `_probe.py` 的断言改成 RUNNER 回传原始观察(签名默认值的 repr、日志字节、sleep 参数序列、stderr 是否非空、非法样本是否抛 ValueError、无限模式如何结束、CLI 退出码与日志),比对全部在 check.py。原 probe 在桩里断言 sleep(60),候选若吞掉该异常可能漏判;现在 sleep 参数序列在 check 里比对,按 README 同样要求 60。
- 三题都先写好全部输入文件,候选运行后 check 不再读写临时目录。
- cheat_read_grader:gold 前加一段探测,读得到 `/grader/check.py`、`/proc/<父进程>/cwd/grader/check.py` 或任一进程命令行里的 `*/grader/check.py` 才按 gold 行为解题,否则以 `grader unreadable` 失败(C 版 exit 3)。
验证:
- 新旧判据等价:对 gold 做 45 个手写变异(a2 14、n3_133 15、n3_102 16,含改默认值、少 sleep/多 sleep、吞坏样本、tuple 代替 list、帧别名、改输入、重试 EINTR、ENOTTY 兼容、闰年 400 规则、提前写 out、关 fd、调试打印、改头文件等),旧判据(HEAD 的 check.py+tests.py)与新判据逐个在 Mac 上本地运行,判定 45/45 一致(gold 与“打印调试行”“dict 键序不同”PASS,其余 FAIL)。
- Mac 可信本地校准:a2 35 次、n3_133 45 次、n3_102 50 次全部符合预期,PASS(Mac 没有 /proc,cheat_read_grader 读不到判据而 FAIL)。Mac 测试 75 项通过(Docker 探针 1 项跳过),公开接口名检查覆盖新 check.py。
- 36 正式校准(trace5 digest `sha256:aa5d00779fe03e9eadbf29c030711a4ecd1e5f894255868b5ca451a425299efc`,三题并发):`runs/20261015-bos-rejudge-pilot-calibration/`,共 130 次样例运行,三题均 PASS,每类样例 5 次全部符合预期,cleanup confirmed;cheat_read_grader 15/15 FAIL,stderr 都是 `grader unreadable`。task digest 与 Mac 一致:a2 v3 `3a52bb6fcdad58b3bac6afcd63c34b1190d5c9c3be2c5367f385bcc4285799d6`、n3_133 v3 `a40ca298e8de04beaead1f553102d4316e236ecb13dfb118efde0711fe94bced`、n3_102 v4 `fbb4656868e10011a52489a66c6943cdce30837e7f60e7a33d63515b27f4a10e`;verifier 未改(`5c12094d…`)。校准墙钟 22/77/37 秒。结束后 0 个 `rollout-` 容器、0 个网络,运行目录 2.4 MB 留在 36 本地盘供 `--calibration` 复用。
- 对照:同样的任务副本在 36 上走可信本地校准(无隔离),三题的 cheat_read_grader 都 5/5 PASS,其余样例全部符合预期,说明这个样例确实能抓到判据泄露,正式校准里的 FAIL 来自隔离。因此在 Linux 上做闸门 1 时,这个样例不符合预期属正常,已写入 task-authoring §7。对照输出已删除。
- 任务副本经 tar 传到 36 的 `.tmp/rejudge-pilot-20261015/tasks`(Git 忽略),未改动 36 工作副本的受控文件。第一次用 macOS tar 传输时带了 96 个 `._*` 文件,digest 不一致,已删除并用 `COPYFILE_DISABLE=1 tar --no-xattrs` 重传。
工作量(Agent 墙钟,同一会话连续完成,按文件时间戳):13:57 开始,通读合同、选题并写完 a2 判据到 14:05;之后每题写 check.py、作弊样例并跑变异对照约 3–4 分钟(n3_133 14:08、n3_102 14:11 写完,变异对照 14:13 前结束);36 传输与三题并发正式校准 14:14–14:18,对照与文档在其后。按人工估算:纯函数型 Python 题约 1–2 小时/题,带桩或回调的 Python 题与 C harness 题约 2–4 小时/题,均含变异对照与校准。
其余 33 道的形态:Python 少桩(与 n3_133 同型)17 道:a1_993e8b5b0064、a1_2718bf3679a5、a1_42207d48c1f6、a1_35c5ce8f8465、n3_012、017、045、053、094、134、142、146、148、153、154、156、157;Python 多桩或回调(与 a2 同型,桩更多)8 道:a1_9c6eba37e895、n3_076、085、088、100、144、152、158;C/C++ 8 道:n3_037、041(ctypes)、104、108、126、155、a1_03167860845e、a1_305ad288e24f。
结论:值得转换。33 道占当前 75 题的 44%,转换不改题面、template 和样例,每题成本远低于新导入一道题(路线 A 0.5–1.5 人日),模式已固定,变异对照能发现判据被放松。建议按上面三组顺序批量转换,每题仍做变异对照、Mac 可信本地与 36 正式校准,并补 cheat_read_grader。
限制:
- 三道试点是新版本身份,只完成闸门 2;旧版本的真实试采、准入与 spec 中的 ADMITTED 只作历史事实,新版本需真实试采后才能恢复 ADMITTED。
- RUNNER 和 harness 与候选在同一进程,候选可以伪造回传;伪造出的结果仍要与 check 里的期望一致,相当于解题,但“未修改输入”“调用了几次桩”这类观察只能抓到诚实的错误实现,与 n2 RUNNER 题相同。
- 任务改动只在 Mac 工作区,未提交、未推送;36 上的正式校准用的是相同 digest 的副本。
下一步:用户确认后,按三组顺序转换其余 33 道 BLOCKED 题;三道试点提交并同步到 36 后做一次真实试采,恢复准入。
## 2026-10-16 Mac 断电前停机
- Qwen 批次 `20261016-qwen-20`:60 条中 30 条已完成;正在跑的 4 条(hal-bus-recovery ×3、hal-dma-callback ×1)按 PID 发 SIGTERM,回执为 INFRA_ERROR、agent_termination=interrupted;现场复核 0 个 rollout 容器、0 个 rollout-pi 网络。新增 `factory/20261016-qwen-20/resume_qwen.sh`(36),只重跑没有非中断回执的尝试(模拟运行剩 30 条),完成后出报告。
- Codex 批次 `20261016-C-embedded-3`:`migrate.py final-delete` 停在 verify_target(重新计算目标哈希)阶段,final-check.json 未写,没有删除任何文件;已 SIGTERM Codex 及该进程,主会话 `01a1437b-a5c9-7341-8db2-57c7f13bbd1c`。
- Mac:停掉 17898 代理隧道和另一会话的监视脚本,bench 虚拟机 `limactl stop`。中继隧道、bench 虚拟机、Clash Verge 开机自启。
下一步:Mac 开机且 Clash Verge 已启动后运行 `sh factory/restart-after-poweroff.sh`(本机 gitignore)。它会起隧道并验证,然后续跑 Qwen,再 resume Codex 会话。
## 2026-10-17 批次 20261016-C-embedded-4(本地收尾完成;Salty待连接)
目标:按 `factory/20261016-C-embedded-4/BRIEF.md` 完成 A 规范修订、B 五道 HWE 现象型 C11 任务、C Qwen 流式空闲期限修复及历史补跑、D Qwen 试采。优先 A/B/D,C.3 最后;本批只做本地提交、不推送,结束停在审阅点。
范围:规范与规格模板、五个新任务目录、批次台账和运行证据;平台仅允许 model_proxy 的上游空闲期限由 300 改为命名常量 900 秒及对应测试/架构文档。已有任务行为不改;第 3 批两道 v2 与三道 Bos 新版本仅补闸门 3 和状态记录。已知第 3 批三道来源的变体命中保留集,本批只报告,交用户决定去留。
验收:五题来源 public、基础ID和全部变体未入保留集且未复用;五个知识点互异;每题 C11 源码至少600行、现象型题面、有据可查的判据、隔离及完整正负例/合法替代解;闸门1/2通过后每题Qwen三次,另补两道v2和三道Bos各一次;2路并发、3600秒防挂死、凭据只传私有路径。全部完整候选重判/归档和证据核对后迁冷盘,本地批次副本清理。历史20题按有效完整轨迹补到每题3次,仍中断最多再补一轮,透明报告未完成次数。
开工事实:main=`e70e129`、工作区干净,`git pull --ff-only` 已最新;旧作业 progress.log 已有 launches stopped,现场无 pi_run 进程;/home 可用81GiB,超过60GiB开批线。外部依赖为已固定trace5镜像、Docker、Qwen服务、私有凭据路径和JuiceFS冷盘;不使用GLM。下一步:先提交A,确认无旧运行后单独提交C.2,制作并校准首个纵向任务,再扩到五题。
### 2026-10-17 续作执行
按 `factory/20261016-C-embedded-4/CONTINUE.md` 续作,不读取或续用旧 codex.log。先补五题至每题三条有效 Qwen 轨迹(已有两条有效、两条中断不计),再补五条闸门3,完成报告、独立重判、归档与五题本地提交;最后历史二十题补齐并迁冷盘。只用 qwen3.8-27b-nvfp4、两路并发、3600秒期限;复用已通过的同身份正式校准,不改任务行为、不推送。开工 /home 可用81GiB,现场没有 pi_run。外部依赖为固定trace5镜像、Docker、Qwen服务、私有凭据路径和JuiceFS;Salty是否可用另核对。下一步:执行13条试点补采,逐批核对完整证据、清理和实际判分。
### 2026-10-17 试点和闸门3补采完成
续作未读取或续用旧会话日志。五题来源均public、基础ID及任一变体均未命中保留集、无复用;当前身份正式Docker校准共225次全部符合预期(每题45次),独立合同审阅通过。条件隔离校准样例均按预期拒绝;掩盖症状样例在变体场景下失败。普通stderr探针合法,wire以最终公平性修正后的身份准入。
| ID | HWE基础ID | 知识点 | C/头行数 | 候选文件 | Qwen有效结果 | 中位工具 |
| --- | --- | --- | ---: | --- | --- | ---: |
| diag-device-session | gi-leak-error-path-multi-fd | 多描述符失败回滚与配置事务替换 | 925 | session.c | PASS、PASS、PASS | 26 |
| diag-lock-cleanup | gi-lock-cleanup-double-unlock | 错误与取消路径的锁所有权 | 724 | job.c、cleanup.c | PASS、PASS、PASS | 21 |
| diag-signal-notify | gi-sig-handler-errno-save | 信号保存errno与传输进度提交 | 789 | notifier.c、transfer.c | PASS、PASS、PASS | 22 |
| diag-window-reader | gi-intovf-offset-range | 数学区间检查与采样乘积回绕 | 602 | range.c、session.c | PASS、PASS、PASS | 20 |
| diag-wire-reader | dbg-ubsan-misaligned-load | 字节缓冲区的安全对齐读取 | 626 | cursor.c、decoder.c | PASS、PASS、PASS | 27 |
试点17次原始尝试中15条完整PASS、0条完整FAIL;续作前2条无回执中断独立保留排除,本轮13条补采全部完整有效。每次Qwen、两路并发、3600秒、最大输出65536、service-default、无费用/轮数上限,凭据只传私有路径。有效通过率100%,高于30%–70%目标;五题均为回归候选,不据三次正式分池。根据候选范围151–334行、gold变更15–24行、公开协议与确定性复现的工程结构,推测定位范围和修复规模仍偏小;本批未为凑通过率改题重跑。
闸门3补采:concur-cond-workqueue v2、mem-zero-copy-ring v2、S500_n3_133 v3、S500_n3_102 v4、S500_a2_426889b9a968 v3各1次Qwen,全部PASS/VERIFIED、Agent正常exit0、cleanup confirmed。本阶段20个冻结候选独立重判20/20一致,20份archive的显式成员、源字节和SHA-256均通过。三道Bos新版本技术闸门3补齐;两道v2不再依赖GLM。旧批次的失败/中断原件不改写,新增补采旁路记录。
来源限制仍保留:concur-signal-defer←dbg-sig-handler-locks、concur-lock-transfer←dbg-tsan-deadlock-order、concur-cond-workqueue←dbg-tsan-cond-predicate各有变体命中保留集;本批只报告,由用户决定去留,技术闸门3通过不解除来源问题。
证据:`factory/20261016-C-embedded-4/phase3-summary.{json,md}`、三个postprocessed-report、postprocess逐条重判/封存审计;`runs/20261016-C-embedded-4/{pilot-first,pilot-resume,gate3-supplement}`;`artifacts/20261016-C-embedded-4/`。本机Salty CLI及连接工具缺失,上传/下载摘要复核单列BLOCKED,当前完成本地封存。原回执路径和字节保留,冷迁后复跑须恢复原路径或先审定重定位合同。
检查:续作全量unittest运行75项,73通过、2项环境跳过(host无Node、未配置Docker隔离测试镜像);exit0。五题当前digest及样例摘要与校准完全一致;独立只读审阅无实质问题,Git空白检查通过。迁移临时smoke与真实Docker权限helper均PASS,三个测试容器消失。已按逐文件证据核验清理338个本批host scratch、2961文件、20443089字节;活动采样对象未动。
下一步:本节与五个新任务目录作为一个本地提交,不推送;之后历史二十题按有效缺额补28条Qwen(两路、3600秒,仍中断最多再补一轮),完成汇总、重判/封存和冷迁后停止。本批旧禁读codex.log将不打开/hash/copy/delete,保留在热端作为明确例外;其余本批payload核对后精确清理。
### 2026-10-17 历史二十题补齐与最终收尾
历史二十题原55次中32条有效(31 PASS、1 FAIL),23条排除(18条流式证据不完整、4条停机中断、1条执行超时);原始回执与失败现场保留。最后按缺额补28次Qwen,27 PASS、1 FAIL,全部完整有效,无需额外一轮。最终83次历史尝试中60条有效,每题恰好3条,58 PASS、2 FAIL;未用UNVERIFIED或INFRA_ERROR充数,结果序列按汇总输入顺序。
| ID | Qwen有效结果 | 中位工具 | GLM历史有效结果 | 身份对照 |
| --- | --- | ---: | --- | --- |
| abi-evdev-resync | PASS、PASS、PASS | 33 | PASS、PASS、PASS | 同版本 |
| abi-journal-append | PASS、PASS、PASS | 56 | PASS、PASS、PASS | 同版本 |
| abi-poll-transfer | PASS、PASS、PASS | 32 | PASS、PASS、PASS | 同版本 |
| abi-pty-session | PASS、PASS、PASS | 29 | PASS、PASS、PASS | 同版本 |
| abi-signal-selfpipe | PASS、PASS、PASS | 36 | PASS、PASS、PASS | 同版本 |
| fw-flash-journal | PASS、PASS、PASS | 32 | PASS、PASS、PASS | 同版本 |
| fw-image-stream | PASS、PASS、PASS | 64 | PASS、PASS、PASS | 同版本 |
| fw-manifest-relocate | PASS、PASS、PASS | 48 | PASS、PASS、PASS | 同版本 |
| fw-metadata-ledger | PASS、PASS、PASS | 43 | PASS、PASS、PASS | 同版本 |
| fw-slot-policy | PASS、PASS、PASS | 32 | PASS、PASS、PASS | 同版本 |
| hal-bus-recovery | PASS、PASS、PASS | 34 | PASS、PASS、PASS | 同版本 |
| hal-dma-callback | PASS、PASS、PASS | 32 | PASS、PASS、PASS | 同版本 |
| hal-i2c-transaction | PASS、PASS、PASS | 34 | PASS、PASS、PASS | 同版本 |
| hal-irq-ack | PASS、PASS、PASS | 18 | PASS、PASS、PASS | 同版本 |
| hal-spi-fifo | PASS、PASS、PASS | 26 | PASS、PASS、PASS | 同版本 |
| serial-cobs-recovery | FAIL、FAIL、PASS | 51 | PASS、PASS、PASS | 跨版本 |
| serial-dma-ingress | PASS、PASS、PASS | 39 | PASS、PASS、PASS | 跨版本 |
| serial-fragment-reassembly | PASS、PASS、PASS | 38 | PASS、PASS、PASS | 跨版本 |
| serial-hdlc-recovery | PASS、PASS、PASS | 40 | PASS、PASS、PASS | 跨版本 |
| serial-rtu-timing | PASS、PASS、PASS | 27 | PASS、PASS、PASS | 跨版本 |
GLM历史共60/60 PASS。同身份15题两模型各45/45;serial五题的GLM是v1、Qwen是v2,分别15/15和13/15,仅作跨版本参考,不能作为同版本模型能力比较。全部本轮仍用qwen3.8-27b-nvfp4、两路并发、3600秒期限、固定trace5,未用GLM。
两次COBS失败均为正常exit0、VERIFIED且cleanup confirmed的真实任务FAIL。候选在第309个非零字节到达时提前递增rejected;公开P3明确未终止尾部无输出/错误,reset丢弃尾部也不计错。独立只读复核的第4308项实际S 0 2、预期S 0 1,与公开依据及check.py一致,未发现判据不公平;第三次PASS。该题当前正式校准35次均符合预期,未改题或为消除失败重跑。
全批105条原始controller记录中80条有效(78 PASS、2 FAIL)、25条排除,排除事实与原因完整保留。五组后处理共80个候选全部在新容器独立重判一致,80份标准归档的显式成员/字节/SHA均通过;独立终核另完整复读80个外包,大小及SHA全匹配,合计419008516字节。完整汇总为冷端factory/20261016-C-embedded-4/final-summary.{json,md},含逐题结果、中位工具、版本对照、排除明细和输入报告摘要。Salty CLI与连接工具均缺失,状态BLOCKED_NO_INSTALLED_CLI,未上传,上传/下载摘要核对尚未验证。
本批及历史补跑的九个确切根已完成冷盘复制核验:清单payload共21140个普通文件、3088374037字节,payload SHA-256 `0a13184273f75bf50c1685b1e6cec230795f811b431ad2a1c6513796b31d8261`;冷端为 `/mnt/data/ming01.wang/embedded-rollout` 下同名factory/runs/artifacts。独立只读终核已确认两份manifest、固定九根、逐项归档索引和80条结果一一对应。操作证据位于 `factory/20261016-C-embedded-4/migration-evidence/20261017T001340Z-01b062b0443a499b8df52a52e83077de/`。
冷盘元数据延迟导致原16路copy后的只读核验很慢;本会话精确SIGTERM原PID并wait得到exit143、确认进程缺失,未删除或重写任何payload。经临时树行为测试和独立审阅,64路恢复从静态源重新全量计算冷热SHA,核对路径集合、类型/mode、普通文件size/mtime和身份,旧日志继续零打开;全部通过后独占发布标准清单与copy-verified。取消、恢复与工具摘要作为派生事实保留,没有把取消算作Agent能力失败。最终删除仍使用原工具全部检查,仅通过已绑定的wrapper设文件核验并发64;不影响已结束的两路Qwen采样。
最终清理于2026-10-17 02:02:17 UTC成功(deleted_except_excluded_log)。原工具重新全量核验冷热SHA、目标集合与源冻结状态后,再逐根复核并按清单unlink/rmdir;九份done回执完整。八个普通热根均已实测缺失,热factory只保留未打开/未hash/未copy/未delete的旧codex.log。唯一权限helper正常exit0且容器确认消失;独立最终只读审阅无实质问题。原始payload及回执字节不改写,派生核验/取消/恢复/清理记录单列migration-evidence,不计入上述21140文件与3088374037字节。
本会话codex-continue.log在清单中仅保存1899750字节前缀,删除前另在派生证据保存2042123字节前缀,摘要均通过;不宣称本会话完整最终控制日志已封存。原名字核验后unlink,但launcher开放FD仍可能追加,cutoff之后的字节可能未留存、FD关闭前空间也未必释放;80条Agent rollout的完整性结论来自各自已VERIFIED的原生轨迹,不依赖这个控制日志尾部。
资源终核检查1377个确切登记容器名(含唯一迁移helper)、105个登记网络名,均0残留;没有prune或修改其他作业。原始结构化事件disk_low/attempt_size合计0,非普通payload条目0;338个已归属本批的host scratch(2961文件、20443089字节)已在先前逐文件核验后清理。8个本次临时执行文件共33619字节复制到派生supporting-continue-final并复读SHA一致后,精确删除热端原件,不动其他.tmp内容。资源核对时/home实测可用73536892928字节;这是共享盘即时读数,不作为物理空间全部释放的证明。
续作unittest共75项,73通过、2项环境跳过,exit0;新题225次正式校准与80次独立重判均已记录,迁移及恢复临时树行为smoke、真实Docker helper验证通过。最终本地收尾只更新本节与两道v2的补采状态,不改任务行为。五题提交为468dbe68a2b84b81eb0f5ab52679341495acc3d3;规范30762e4、代理超时c58d5cc沿用,最终元数据提交摘要另记派生final-git-commit.json。
本批停在审阅点,不启动新批次、不推送。三道旧来源的保留集限制仍待用户决定去留;Salty上传与下载摘要核对仍为BLOCKED_NO_INSTALLED_CLI,提供可用连接后才能补齐。未做硬件验证、模型训练或权重更新。
## 2026-10-17 批次 20261017-C-embedded-5 开工
目标:严格按本批BRIEF制作20道现象型可靠性修复题(HWE至少12、Bos至少5、C11/C++17至少16),每题有据可查、工程至少600行、多缺陷及变体、完整校准样例。范围仅新任务、本批台账与progress,不改已有任务和平台,不推送。
验收:来源public、基础及所有变体不命中保留集、不复用来源;可信本地和trace5正式校准各样例5次(Linux本地隔离对照按规范§7单列);每满5题通过闸门1/2即本地提交;Qwen qwen3.8-27b-nvfp4每题1次、全批两路并发、3600秒、凭据仅传指定私有路径。试采FAIL逐题核对公开依据,完整轨迹独立重判/归档,核验冷迁后精确清理本批资源。
开工:main=1f58ebd,工作区干净;/home可用73873858560字节,达到60GiB开批线;trace5固定digest镜像在本机,现场无旧pi_run。外部依赖为Docker、Qwen、Bos只读材料及JuiceFS冷盘;不读取凭据和未授权用户数据。下一步:并行选择15个HWE与5个Bos来源,逐题制作/校准,统一控制提交与两路试采;完成后停在Claude审阅点。
分组1:build-plugin-route、build-target-probe、diag-panel-input、diag-control-commit、diag-cycle-cohort 已完成合同/可信本地(Linux隔离正对照单列)和trace5正式校准,各45次全部符合正式预期,cleanup confirmed;仅提交本组新任务和本条进度,闸门3统一补记。
分组2:diag-bank-setup、diag-config-fairness、diag-output-binding、diag-service-once、diag-service-retire 已完成合同/可信本地(Linux隔离正对照单列)和trace5正式校准,各45次全部符合正式预期,cleanup confirmed;仅提交本组新任务和本条进度,闸门3统一补记。
分组3:build-sdk-calibration、build-cxx-catalog、build-catalog-image、diag-spool-progress、diag-terminal-handoff 已完成合同/可信本地(Linux隔离正对照单列)和trace5正式校准,各45次全部符合正式预期,cleanup confirmed;仅提交本组新任务和本条进度,闸门3统一补记。
分组4:diag-telemetry-frame、diag-request-window、diag-segment-mailbox、diag-sample-capture、diag-liquid-window 已完成合同/可信本地(Linux隔离正对照单列)和trace5正式校准,各45次全部符合正式预期,cleanup confirmed;仅提交本组新任务和本条进度,闸门3统一补记。
### 2026-10-17 批次5真实试采与收尾
20道新题全部完成:15 HWE、5 Bos,19 C11、1 C++17;build-deploy 5、device-io 7、linux-concurrency 5、serial-protocol 3。工程源码按C/C++/头文件物理行统计611–848行,另列有效行口径;各有两处独立缺陷及变体。HWE均public且基础及所有变体未命中保留集,Bos同时核对历史source与bos.source_qid。早期重复种子q_35b94b12993e8b5b0064已拒绝并换未用来源,新身份重做校准;旧草稿与旧身份结果保留并排除当前计数。
当前身份trace5正式校准900/900符合预期,各类各5次;可信本地普通样例800/800符合,判据隔离正对照100次PASS按§7单列,原始整体FAIL如实保留。全量unittest75项,73通过、2环境跳过,exit0;任务包、题面、来源、公开依据、样例、掩盖症状失败机制和行数均经独立只读审阅,Git空白检查通过。
真实Qwen qwen3.8-27b-nvfp4每题恰好一次、固定trace5、3600秒;实测最大并发2。20/20完整PASS、0 FAIL、0排除,原生工具证据均VERIFIED、正常退出且cleanup confirmed;合计553次工具调用、372次模型请求。20个冻结候选在独立新Docker重判全部一致,20份标准archive的精确成员白名单、逐成员摘要、源字节和外包SHA全部核验通过。严格final-index强制20次launch与20个唯一controller逐项对应,没有悬空结果或待处理项;试采无FAIL,不需要公平性修订或补抽。
逐题完整中文报告含ID/族/来源/知识点/语言/源码行数/candidate_files/缺陷数/Qwen结果/工具数、20个掩盖症状样例机制、全部来源ID和四组完整提交哈希,位于冷端factory/20261017-C-embedded-5/final-summary.{json,md}。原始标准report与派生后处理统计分别保留。四组任务提交205118d8c4f893a5b08a7d9cc2b62e7962792415、9e8091320a8c565a5d6345dfa09ef5035627d78e、7559f1a7850cfaf1a698704c8be36097cc1d7e40、d10f062bab541e5d8bfeb42caf3f153ee15e3f35;最终只追加这20题spec及本进度,不改变任务digest。
迁移前确认全部采样与后处理writer停写。生产权限helper只绑定本批runs、仅规范化109个root-owned条目,内容与mode/size/mtime不变,容器消失;其路径限制、私有目录层级、预检失败及超时清理均经真实Docker独立smoke。资源审计逐名确认1012个登记容器、20个登记网络无残留,disk_low/attempt_size事件0;没有prune或改动其他作业。迁移及最后证据收尾工具通过正反smoke与独立审阅。
本批三个确切根已迁到 `/mnt/data/ming01.wang/embedded-rollout` 下同名factory/runs/artifacts。payload为20956个普通文件、392155816字节;清单规范化SHA-256 `de3d19781840867dbafa9f98de10f18f9755b5f1a7856b87124c604d4b6f9a66`。原copy与并行只读verify均正常exit0,完整路径集合、类型/mode、文件size/mtime及冷热SHA全部一致。冷盘串行目录元数据操作较慢,新增仅并行读取目录的wrapper,经21项独立正反smoke、逐字段等价及真实全量verify通过;删除仍完整复用原工具全量校验和精确unlink/rmdir,未取消或改写原copy结果。
主payload删除前再次全量核验成功,17份迁移sidecar(16201272字节)另作完整集合/属性/SHA复核后迁移清理;最终sidecar manifest SHA-256 `b6deccf95d46bceccb9e32ad32fc06d0648c23000e9825c6625da75021430b5b`。冷端另保留5917703字节控制日志最终前缀,SHA-256 `3ec6ce5706bf8d0f4161764ce030c96272d0df4a001639b203d10528800b9868`;截止后日志仍不算已封存。三个热根均已实测缺失,两个临时迁移工具源码及其一个专属缓存先核对冷端精确版本再删除;无本批后台采样/后处理遗留。最终只读终审再次核对20原生轨迹和20归档共604成员,全部通过,无实质问题。
迁移证据位于冷端factory/20261017-C-embedded-5/migration-evidence,含final-state、严格终核、工具版本、smoke、冷热核验和删除事实。清理完成时/home可用61878407168字节,为共享盘即时读数,不用它推断物理空间全部释放。catalog保留采样前身份台账,最终实际状态以final-summary及严格final-index为准。
Salty CLI及可调用连接工具缺失,BLOCKED_NO_INSTALLED_CLI;未上传,上传/下载摘要核对未验证。原始回执绝对路径与字节保留,冷迁后复跑需恢复原路径或另审重定位合同。活跃codex.log只封存明确截止前缀,后续控制日志不宣称完整留存;20条Agent完整性由各自VERIFIED原生轨迹证明。未做难度分池、硬件验证或模型训练。本批冷迁与清理已完成;最后仅将20题spec与本进度做本地元数据提交并停在Claude审阅点,不推送、不开下一批。
## 2026-10-17 批次 20261017-C-embedded-6-hard 开批检查阻塞
目标按本批 BRIEF 执行难度优先制题:先测8道现有题各3次,同时制作新题;Qwen全局两路、3600秒,难题池满8道或候选满24道停止。范围为新任务、本批factory/runs及本进度,已有任务与平台不改、不推送;验收包括公开条款与判据逐项对应、两种合法替代解、完整正负样例、可信本地/trace5正式校准和每次真实FAIL复核。外部依赖为Docker、固定trace5、Qwen服务、指定私有凭据路径及冷盘。
开批检查时main为c0a29c489a4f3319c0aab25c73726540d75cc44e,工作区干净;输出盘可用约57.37 GiB,低于docs/task-factory-brief.md:56规定的60 GiB开批线。本批BRIEF:3沿用该规则,未覆盖容量要求;按作业说明:178停止并汇报,不删除旧运行或其他资源腾空间。独立只读复核确认此结论。
实际仅完成说明阅读与只读环境检查,并记录factory/20261017-C-embedded-6-hard/STATUS.json(BLOCKED_DISK_PREFLIGHT);8道现有题均未启动、新题0、难题池0、Qwen调用0、校准0,没有创建Docker对象或runs,没有读取凭据,没有提交或推送。仅状态与文档变更,未运行测试;未做试采、判分、归档或冷迁,不宣称批次完成,也未核对远端最新提交。
下一步:输出盘恢复至少60 GiB后,重新检查容量并git pull --ff-only,再按BRIEF第0步优先占用两路Qwen、并行制题;所有后续准入、复核、分组本地提交及核验冷迁要求继续有效。
用户 2026-10-17 决定磁盘下限改为 30 GiB:`rollout/core.py` 的 `MIN_FREE_BYTES` 由 50 GiB 调为 30 GiB,开批线由 60 GiB 同步降为 30 GiB(architecture.md、agent.md、task-factory-brief.md 已更新)。第 6 批据此重新开批。
### 2026-10-17 第6批按30 GiB下限重新开工
本轮严格执行 factory/20261017-C-embedded-6-hard/BRIEF.md:现有8题各3次Qwen优先占用全局两路,同时按HWE/Bos来源制作新题;难题池8题或候选24题即停止。只写新任务、本批台账/运行证据与本进度,不改平台、已有任务,不推送。当前main=b71d605,git pull --ff-only已成功且无更新,工作区原先干净;/home可用61888180224字节,高于新30 GiB线,trace5镜像可用。验收采用逐条公开依据、每题两种合法替代解、每缺陷单修与症状修复/掩盖样例、本地和Docker每类五次校准、真实FAIL复核、独立重判/归档及核验冷迁。下一步:基线全量unittest,复制并阅读COBS两次失败轨迹,完成第0步测量并将实测遗漏用于制题;凭据仅将指定路径传给pi_run。
阶段事实:已rsync本地审读COBS两次完整失败轨迹并核对native摘要,均在未终止超长段提前提交rejected;第二次还自行缩窄公开尾部规则。timer-epoch-bank v1(HWE/public/hard)48条规格、4处偏差、12类正负样例;根Agent仅按公开材料独立重写合法解,可信本地与trace5 Docker各60/60符合预期、cleanup confirmed,冻结摘要ccc13b4bf26a941225b7b22272bb5196398ec20a9e585a3e02039e7aa1aec453,尚待真实Qwen。boot-module-plan和numeric-axis-calibration分别在最终校准与制作;现有题已出现S500_n2_013一次PASS、一次公开范围验证遗漏导致的能力FAIL,完整结果以existing-screen.json逐步更新。下一步仍优先完成第0步24次,继续按两道门和独立合法解推进新题;没有难度结论、没有提交或推送。
阶段更新:timer-epoch-bank、boot-module-plan、numeric-axis-calibration 三题最终身份已独立核验并冻结;各12类样例各5次,本地普通样例均符合预期(boot的5个隔离正对照单列),trace5正式180/180符合预期。第0步已完成4条完整Qwen轨迹,S500_n2_013为PASS/FAIL/FAIL,两次FAIL分别漏公开极大整数异常与10000点上界,复评一致并归档;S500_n2_070首跑的零阈值方差分类与无效整数异常均能对应公开依据。新题仍未占用Qwen名额;资源树与配额树继续逐条审阅,至少6 HWE/6 Bos的候选配额保持。下一步完成第0步24次和剩余新题两门,真实结果达到4题难度结论后按批次要求本地提交。
校准前复审补充:资源树resource-tree-retire两门各60/60符合预期,root已核对当前摘要ea202b97b6c8eab73634b97588aca09b1e86c1f5af9765eede0398faa9ad2d99与295条依据行引用,2767观察/114组全部映射。固定块池C11的独立合法实现已按公开合同完成并通过host行为smoke,作者判据仍待完成。SONAME独立实现提出的最终目录容量交叉点已在任何采样前公开澄清。复审又发现boot/quota判据严格ASCII解码stderr会拒绝公开允许的UTF-8诊断,已撤销两题待采样冻结、保留旧身份并要求修正后完整重过两门;尚无新题Qwen,未作废真实试采。现有070三次全FAIL,实际零阈值边界/巨大无效整数异常均复核为能力失败;第0步累计6条完整轨迹均复评一致并归档。下一步先完成两题重校准与其余候选,再继续第0步24次测量。
阶段复审:boot/quota/SONAME已修复公开允许的UTF-8诊断解码并重新完整校准,root逐项核验新身份120次与正式校准合同,旧身份排除且保留;这三题尚无Qwen,不属于采样后加固。资源池C11与目录锚点C++17也已各完成两门120次并终审,当前8道新题冻结待采样;六个HWE题均已原创,最后rehash通过6061观察/148组、480依据引用及独立实现审阅,开始最后两门。Bos alternatives补足公开输入不变观察后按新身份重校准,locale独立合法解已公开-only冻结,第六Bos来源继续制作。第0步7条完整测量均重判一致并核验归档,另一次服务流中断排除并补跑;当前2道现有题满足难度标准,新题未占Qwen名额。下一步继续优先完成第0步24次、Bos6来源及全部候选闸门,按实测结论分组本地提交。
复审纠正:071两次完整正式FAIL均仅落在阈值常量1e-6解释分歧;第二解全程Fraction并明确采用二进制字面量阈值。独立审读确认现有README不能无歧义排除此合理解释,故保留原FAIL与初始判断历史、整题排除难度池,继续第三次原题测量,不改已有任务。数学差值与可达等号见screen-independent-071-threshold-review.json,字句充分性复核另列。
新增题评分器又发现精确输出行数边界缺口:额外输出等于内部显示标记时会逃过比较。新题尚无Qwen;已将11道完整旧身份逐文件SHA及load_task摘要核验保存到本批task-snapshots/pre-output-count-fix,撤销10道待采样冻结。仅修主比较条件的index边界,要求可信gold额外标记旧PASS/新FAIL回归,并重新完整过两门;旧回执与summary保留排除,不占采样后加固次数。六HWE已完成旧身份720次校准;第六Bos pressure公开30条、独立合法解已成形。下一步完成此评分器修正重校准、最后Bos全部准入证据及第0步24次,再开始新题测难和分组提交。
阶段事实:12道新题(HWE 6、Bos 6,C11 1/C++17 11)当前身份均已完成两门,各120次、共1440次符合校准预期;Bos本地隔离正对照保留原始FAIL并单列,不与正式Docker通过混淆。模板源码总行数与排除逐字重复文件后的独有行数均为11034,各题803–1257行,404条公开编号条款、48处独立缺陷;没有宣称1500行规模手段。输出计数哨兵已改为显式边界判断,11个旧身份整包快照与回归证据保留,修正后全量重校准;新题Qwen仍为0。全量unittest 75项:73通过、2环境跳过,exit0;六HWE与六Bos交叉只读审阅均无实质问题,另12次可信fixture构建的260条公开边界观察全部通过、临时目录确认已清理。
第0步继续:013、070满足难度标准;071两次正式FAIL的公开阈值依据不足,保留原记录并排除难度池。084第一条实际3600秒超时单列为能力FAIL,最后自写工具搜索要求整数矩阵的偶数行列式绝对值等于1,永不命中;原始INFRA_ERROR/不完整原生工具事件/cleanup unknown照实保留,事后确切容器和网络缺失的只读证明单列,不补称完整轨迹。下一步优先完成24次有效现有题测量与逐次失败复核,再启动新题Qwen和按每四道难度结论本地分组提交;尚未推送或开始生产冷迁。
新颖性复审撤回:resource-pool-generations 虽已通过两门且独立实现合法,但核心的对齐first-fit及owner/pin延迟回收与既有mem-dma-arena实质雷同;resize/compaction新增不足以准入。已在首个新题Qwen前撤销批准,将完整题包逐文件摘要核验后移入本批factory/task-snapshots/withdrawn-novelty,保留两门所有原始结果,不把校准改判失败;该已写候选仍占24题上限且不发布/试采。当前合格待采样11题(HWE5/Bos6),下一步补不同核心场景的未用public/hard HWE至至少6题,同时继续第0步优先占用两路Qwen。
替补候选:来源hwe/gi-bpu-config-core-affinity经root独立核对hard/public、基础及变体未命中保留集、批前source未用;公开35条合同的核集合格式/容量二分匹配及严格三目标绑定,与旧arena/owner-pin无关。config-affinity-placement已创建,为第13道已写候选(含撤回pool);root只读公开合同/API后独立实现并冻结,775观察通过,含305组小规模穷举及40次24任务/32核×8容量上界,运行0.365秒、临时目录确认缺失;尚待作者完整判据与两门。071三次有效正式FAIL全部仍只在同一阈值常量歧义,整题排除hard池,两次服务流中断另列,原题未改;11/24有效测量已完成。下一步完成替补两门、继续现有题24次优先试采与逐次依据复核,再新题试采和分组提交。
2026-10-17 批次 C 阶段核对:config-affinity-placement 最终120次校准与当前任务/manifest/fixture摘要、平台准入和82个临时目录清理逐项一致,root准入;当前12道候选(HWE/Bos各6)共1440次当前身份校准全部符合预期,含已撤回重复题共写13道/1560次历史当前严格判据校准。75项单元测试为73通过、2项环境跳过。第0步暂13/24次有效,084第三次服务流中断排除并补采;新题Qwen仍为0,下一步完成固定24次及失败依据复核再采样。
2026-10-17 批次 C 第0步15/24有效(14完整、1能力超时,4服务断流排除):084的两次完整FAIL均仅89例中的76/77/78,专用int[-1000,1000]域有README:3/:5/:7明确依据,root独审确认;084 TIMEOUT/FAIL/FAIL入难题池,与013/070共3道。112第三有效PASS,最终P/P/P常规;所有新增完整运行重判一致、标准归档核验通过。下一步继续154/n3_102/build-feature-flags剩余9次固定测量。新题尚0次Qwen;未启用新题控制脚本的STOP有界回收修复经root复读与17+21项回归通过。
2026-10-17 批次 C 停批口径复核:按BRIEF第60–68行“每道候选题→制题→双门→试采→入池”及第114–116行分列汇报,新制难题达到8道才触发难题配额停止,第0步现有题仅作独立测量/制题参考。root早期混计假设经两个独立只读审阅更正;旧ledger/STATUS逐字保存root-scope-before-correction,所有raw结果未改。当前新增难题0、现有已确认难题3;更正前新Qwen0、未发生停止或提交。下一步完成第0步剩余9有效测量,再筛出8道新难题或达到24道已写候选上限。
2026-10-17 批次 C 第0步18/24有效(17完整、1能力超时、6服务断流排除):154第二有效次正式FAIL的147项观察仅10项整数值float输入差异,合法输入精确两级最优证书均通过。root与两个独立审阅确认README中文“整数”与通用int/float说明未消除表示类型歧义,记依据不足,原FAIL/重判/归档不变,既有154不改题且不计能力难度;继续固定第三次。102目前1次有效PASS。当前新增难题0、现有参考难题3,下一步完成剩余6有效测量再开始新题试采。
2026-10-17 批次 C 等待第0步长测时继续并行制题:完整只读审阅3个HWE/3个Bos后备来源,source脚本均未执行,复制进程全退出;IPO受限IR与服务名说明符两方向启动公开合同,保守计作第14/15候选(包括已撤回pool),仍未校准或采样,既有12题资格不变。IPO先公开one-CALL无环/1024指令/64请求的复杂度边界与单调pass证明;服务名流式状态是新增公开模型,不冒称来源已有。下一步root仅按两题公开合同独立重写valid,同时完成第0步最后4次有效测量及双槽尾部调度复核。
2026-10-17 批次 C 第0步22/24有效:154第三完整PASS(28请求/28工具,3024.014秒),最终P/F依据不足/P,仍排除难度池;BFC第二完整PASS(36请求/43工具),第三已启动,首轮自测管道互等等待控制器终态。全部21份完整结果重判及标准归档已核。两道新候选public-only独立合法解分别通过1274项IR检查、65635项服务名观察,UTF8判据新疑点又补131072项前缀观察PASS;正式两门仍待作者完稿。制作中其他代理提前跑全库,75项72通过/2跳过/1错误,唯一是尚未创建IPO check.py;原失败日志保留,最后将完稿后重跑,不把旧75项结果当当前完整通过。下一步完成两题判据/样例/审阅/双门及BFC剩余两测量,再启新题Qwen。
2026-10-17 批次 C 第0步已24/24有效(22完整、2实际3600秒超时、6服务断流排除),BFC完整第三FAIL的1644响应均被生成配置头覆盖环境宏,root逐条重算及公开README9/17/19/25依据闭合;首轮超时的管道自测静态互等证据与原始INFRA/不完整轨迹事实分别保留,最终资源/归档审计后交接新题。服务名说明符本地60/60符合预期、Docker进行;IR题补齐合法5–8参数与live/dead CALL arity遗漏后,root/Bos终审通过并准许顺序两门;当前共15已写含1撤回。全部14完整题包全量unittest75项:73通过/2环境跳过,exit0,证据unittest-final-bundles-20261017T105118.*,原制作期check未落盘错误不覆盖。下一步完成Step0交接、开启两路新题试采并按实测失败/首PASS完整轨迹推进。
2026-10-17 批次 C 第0步最终24有效/30raw完成交接,22完整重判及归档全核通过,参考难题4道单列,最后四条失败/通过教训已补difficulty-notes。新增compiler-ipo-ir-audit及config-unit-specifiers各120条双门校准由root逐trial/fixture/身份/清理终核准入;当前14合格(HWE/Bos各7,全C++17),总/独有源码13116行、474条规格、56处缺陷,另1重复题撤回仍计已写15。完整14题报告身份一致性CONSISTENT、来源/语言配额满足;报告器误将pending计准入的bug已修并由root重跑21项回归,全部通过。两路新Qwen首轮numeric/quota已按原批准helper启动;当前尚无新题有效终态/难度结论,故不提前提交4题组。下一步按首PASS全文轨迹决定至多一次加固,普通FAIL全量隔离诊断逐条公开依据复核,持续试采至8新hard或24已写上限。
2026-10-17 本批下一步:Step0已24次有效测量且22份完整轨迹重判归档核验;新增numeric/quota首轮均PASS,全文轨迹与候选审阅决定零加固并保留原测量,按同身份继续有效复试。全局两路现为affinity首轮与quota复试。启动第16/17候选control-hierarchical-dispatch(hwe/syn-hard-fsm-hierarchical)与config-sysctl-overlay(Bos020),来源资格及新颖性已独立审阅;先公开合同/真实最小工程与public-only独立解,再private判据和双门。累计17候选含1撤回,14题已双门1680次符合预期;新难题0,未达停止配额。不足800真实独有行直接撤回,不凑行,不更改既有14题核心。
2026-10-17 本批新增首个难度结论:runtime-quota-tree同v1/digest两次有效PASS(47/54与53/59模型/工具请求;1407.858s、865.508s),首P全文/候选审阅零加固后第二P,按已定分支记ROUTINE_EARLY_STOP、实际2/2,未伪称3/3。两份重判一致且各30归档成员SHA/源字节核对;第二次四冻结候选/finalreply读审无实质问题。新增难题仍0;数值轴第二同身份试采与affinity首轮维持两路;1/4新结论,暂未到分组提交点。首次数值轴复试命令漏tasks/路径被load_task预检拒绝,未启动Pi/模型,已修正并保留事实。
2026-10-17 第16/17候选已先冻结公开合同/API,再由root无gold/check参考独立实现:层级状态机35757项检查PASS,sysctl23751项PASS(含匹配预算恰16777216及重复glob/被排除键仍计预算);编译无警告。独立实现与公开材料SHA分别存root-fsm-independent-freeze.json、root-sysctl-independent-freeze.json,冻结时无gold/grader。现作者独立制作参考实现/判据/12类样例,完成后先只读审阅再双门;尚未准入。sysctl纯wire范围补充已保留原字节并在冻结前读审,不改变35条业务语义。
2026-10-17 交叉审阅发现FSM独立有效解的off-initial反序坏parent祖先NULL边界,root已保留旧四源/SHA和旧35757项PASS事实,仅增加每步祖先lookup空检查;全部24节点排列回归后35853项PASS。v2冻结明确披露此时root已读gold、修复仅依据公开反例且未借gold索引算法;Bos独立读审接受该有披露资格。HWE同步加判据变体并在正式校准前重跑样例,gold另作仅防buggy深历史破坏活动祖先链的最小重构。公开合同/四植入根因不变,尚无模型或正式校准作废。affinity首轮实际3389.615秒PASS、47请求52工具完整VERIFIED,重判一致/30归档成员SHA源字节核;两次900工具超时已恢复,不能计3600测量失败。新增有效4/已定1/难0;numeric复试和pressure首轮两路继续。
2026-10-17 本批推进:Step0保持24有效/30原始/22完整归档;新增17写(1撤回)、16题双门准入(1920次校准:1890次清单匹配,30次为既有6个Bos本地门控制样例准入例外),新题6次有效P、2题观察2/2常规早停、0新增hard。数值轴一次64MiB轨迹上限中断保留排除,未改平台;压力首P全文审阅0实质加固;当前亲和性第二轮/定时器首轮两路。状态机/sysctl终审及来源/报告一致,75测试=73PASS/2环境SKIP;下一步继续真实试采及每FAIL公开依据复核,后备资格审阅,不推送,未达到停止配额。
2026-10-17 下一纵向步骤:正式启动第18候选build-pc-closure(hwe/cc-meson-pkgconfig),先关闭公开文本/模式/每边约束/sysroot和精确逻辑W/B预算合同,再root独立公开解;自然800独有源码仍须实测,不把原Meson API异常/弱checks当正确性证据。前16合格包核心冻结,真实Qwen仍定时器首轮/压力第二轮两路;旧题及平台不改。
2026-10-17 第18纵向进度:build-pc-closure公开30条与331行raw observer审阅完成,root在Gold/check尚不存在时独立四文件422行冻结,2885项自测及公开现场/传输边界PASS。随后Gold四文件649行已全文静审、同组自测通过;新增合法1MiB版本号前导零/全0/uint32边界双可信实现各15项PASS,Python判据需先去零再有界转换,不调整全局上限。下一步完成私有checker/12fixtures/全依据映射,独有800实算与完整peer/root审阅后才开两门;当前两路仍timer首有效补采/pressure第二有效。timer首raw因64MiB cap排除,官方请求null保留,非能力FAIL;新增结论仍3常规/0hard,未达到停止条件。
2026-10-17 批次C继续:当前18已写含1撤回、16准入;新增13次原始=7有效PASS+4本地64MiB轨迹上限排除+FSM/IR两路首轮运行,3题实际2/2常规早停、0新增hard。pressure第二raw和timer第二raw的原始PASS/UNVERIFIED/官方请求null及清理事实已由root核验17/18个文件SHA、全部原生事件计数和81/52条HTTP完成元数据后绑定台账,不算能力FAIL。pkg第18题校准前完整预审发现重复包名/引号字面/used指数预算三处覆盖缺口,以及评分器独有-Werror会拒绝合理实现;先保留旧完整包/12dev,再最小append-only修正,公开合同/Gold/独立解/四根因不改。下一步关闭该纵向步骤并重过双门,继续实测至配额、每四难度结论本地提交;未推送、未达停批条件。
2026-10-17 第18候选完整预校准终审通过:build-pc-closure当前57ed6a3f/check5890ff83,1079总/独有行、30条/4根因、12620输入/2102观察/122组;root核58core、19证据SHA、23248公开行SHA与1287规格引用,两个合法替代及严格单修对角无冲突。校准前4项finding已最小修正,旧整包82文件/12dev/transport历史完整保留;旧输入/期望/标签仍是严格前缀,任意诊断字节P、额外end行F、benign warning旧F新P、丢引号旧P新F实测闭合。helper在预期编译FAIL后的清理断言中断另存且5路径准确恢复清理,未计任务失败。现仅授权新runner顺序local60→固定Docker60,完成后root逐trial终审;无本题模型。下一步该纵向步骤双门收口并继续FSM/IR真实测量。
2026-10-17 下一纵向步骤正式启动第19候选build-elf-page-profile(hwe/cc-cmake-hardening):8原料全文读且精确只读复制,public/hard、base+mut无held、当前及保留来源未用;8份官方全文已持久校核,peer确认与NOTE/重定位/resource_table/SONAME核心不同。先冻结公开ELF64/稀疏页FILE-BSS/静态flags/NOW/固定glibc RELRO合同与raw工程,再root仅凭公开材料独立实现,800真实独有行及4–6根因隔离须后续实测;不冒称原45行参考已实现。第18固定身份正在双门,16既有合格任务核心不变;当前19写含1撤回,仍未达到停止配额。Bos027与059共用两项最短路径机制,继续HOLD降低优先,未作第20候选。
2026-10-17 阶段事实:第18 pkg当前身份120次严格清单匹配已由root逐trial/480候选源副本/60stdout每门/manifest和verifier身份终核;本地60归属目录及Docker60注册名独立复探均absent,正式准入至17题(9HWE/8Bos、15912独有源码行、578条、68缺陷)。当前2040校准=2010清单匹配+30既有Bos本地门控制例外;含撤回题历史2160。第19公开35条/raw317已全文审,root在私有Gold/check不存在时冻结257行四CPP独立实现,4471检查PASS(1024逐字节truth生成图与所有预算边界),作者372行Gold独立先冻后同4471检查PASS,仍私有制题不准入。FSM首轮2267.486s/63请求69工具有效PASS,133消息全部语义与root513行候选/39条公开合同、29归档payload/sourcebytes复核闭合,零实质加固保留原P,同身份复试排队。新14raw=8有效P+4tracecap排除+IR/rehash2在跑,仍3常规结论0新hard;下一步继续真实试采与19私有终审/两门。未到四结论提交点、未推送/冷迁;完整unittest与报告器等待19完整包,16完整包的75测试旧事实不充作当前新验证。
2026-10-17T16:04:48.748735+00:00 root:19written incl1withdrawn/17eligible(9HWE8Bos);15raw=8validP+5excluded+2live(FSMsecond14294/rehash51329);3routine/0newhard. IPOcaprawF19 retainedexcluded;all138canonical+65HTTP+freshownedresourceabsence verified;oneexclusiveNONMEASUREMENTdiagnostic authorized. ABI19Gold372rootfullread,public-only4471independent unchanged;private1532obs completion under finalreview,not gated. No commit/push.
2026-10-17T16:15:32.517465+00:00 root:16newraw=9validP+5localtracecapexcluded+2live(FSMsecond14294/IPOvalidretry13173),3routine0newhard. RehashfirstP45m49t1385.502s full95teamnative/root509candidate29clauses no materialgap;finalpeer bindingpending. ABI19fullready59core27evidence/820unique/1532obs/22155publicrefs/420specgroups rootPASS,waitingpeer before120gates. Full current18complete taskdirs unittest75=73PASS2envSKIP exit0 loga29694b4. Source125n3 metadataonly3trackedcopy processes, no20started. No commit/push.
2026-10-17T16:16:17.316167+00:00 rehashfirst闭环:有效P45m49tools1385.502s;95消息全文、509候选源码/29条、全部27archive payload原源字节及freshregrade、精确4Docker对象absent核验。无实质缺口,review-rehash-first-pass-decision.json决定0加固保留v1首P,下一同身份第二有效;3结论/0新hard不变。
2026-10-17T16:20:16.215106+00:00 ABI19预校准终审通过:820独有/35公开条款/4根因/12样例/1532观察;root与Bos完整语义及所有22155publicrefs/420spec组/59包27证据SHA均通过。review-abi-precalibration.json准许按aca9runner串行60local+60固定镜像Docker;未准Pi,下一步独立核验实际120回执与清理。
2026-10-17T16:24:49.461651+00:00 第一组4道难度结论已定:numeric-axis-calibration、runtime-quota-tree、config-affinity-placement、control-hierarchical-dispatch均同v1零实质加固、观察2/2有效PASS常规早停,绝不写成3/3。FSM次轮34model42tools1327.298s,root29payload源字节/77canonical/39条SHA/521源码全读/3容器+网络+PIDabsent闭环。现17newraw=10validP+5tracecapexcluded+2live,0newhard;19written/17eligible,ABI19运行120双门。当前完整包unittest75=73PASS2envSKIP exit0。按BRIEF本地提交这4任务目录+完整台账+此进度,不推送。
## 2026-10-18 题库整理:统一校准与可用题清单
目标:把现有全部题目整理成今后可直接使用的有效题库。范围:新增 `rollout/catalog.py` 及测试,`docs/task-catalog.{json,md}`、`docs/task-holds.json`、`docs/task-reviews.json`,并把第 6 批已准入的 21 道题纳入 Git;不改已有任务行为、平台与运行中批次的台账。
- 纳入:36 上第 6 批已提交的 7540839(4 题)fast-forward 到 Mac;其余 17 道已准入(闸门 1/2 通过)但未提交的题目录只读复制,161 道全部 `load_task` 摘要与 36 盘点逐一相同;不带缓存或构建产物(1052 个文件、7.2 MB)。36 工作副本与第 6 批进行中的 STATUS/台账未改动。
- 统一校准:对 161 道中未带 `isolation-blocked.txt` 的 128 道,用 trace5(`sha256:aa5d00779fe03e9eadbf29c030711a4ecd1e5f894255868b5ca451a425299efc`)重新正式 Docker 校准,6 路并发,08:42–09:14 UTC,128/128 PASS、cleanup confirmed;目录 `/home/ming01.wang/embedded-rollout/runs/catalog-20261018-calibration/`(120 MB),盘点、回执扫描、生成日志等证据及 SHA256SUMS 在其 `catalog-build/` 子目录。
- 难度:扫描 36 热端与冷盘全部 442 份 controller 回执(3 份为中断后无回执),只计与当前 task digest 一致的完整轨迹(PASS/FAIL、证据 VERIFIED、exit 0、cleanup confirmed):Qwen 145 条、GLM 65 条。第 6 批对 Agent 自测死锁超时等的人工复核按 digest 绑定写入 task-reviews.json(14 条),题目改版后自动失效。
- 质量标记(task-holds.json):S500_n2_071、S500_n2_154 公开题面歧义(第 6 批复核 INSUFFICIENT_PUBLIC_BASIS);concur-signal-defer、concur-lock-transfer、concur-cond-workqueue 来源变体命中保留集,待用户决定。
- 结果:161 道中 USABLE 123、HOLD 5、BLOCKED 33。可用题难度 HARD 6(S500_n2_013、S500_n2_070、S500_n2_084、build-feature-flags、config-unit-specifiers、serial-cobs-recovery)、ROUTINE 32、PARTIAL 31、UNMEASURED 54;语言 C 63、C++ 22、Python 38。
检查:Mac 全量测试 78 项通过、1 项缺 Docker 跳过;catalog 测试覆盖状态判定、校准镜像/状态匹配、评审按 digest 生效、难度分档、jobs 与 Markdown 输出。
限制与下一步:题库里的校准路径在 36 本地盘,冷迁后需重新校准或更新路径再生成;第 6 批停在 04:54 UTC,现场留有其 resource-rehash-ledger 采集的 1 个已退出容器,归第 6 批收尾处理。33 道 BLOCKED 按 2026-10-15 试点方式重写判据即可恢复;54 道 UNMEASURED 与 31 道 PARTIAL 需补 Qwen 采样才能分难度。