A running or killed controller has no receipt yet; it is now an attempt with status NO_RECEIPT and listed among the exclusions. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
Embedded Rollout
在可重置的嵌入式软件任务中运行已有 Agent,由独立验收器检查最终候选,持续保存真实模型调用、工具反馈和执行证据。当前只做 rollout 采集;模型训练、权重更新、SFT 与在线 RL 不在本项目实施范围。
先完成一个 C frame-decoder 修复任务,再恢复 Bos-qiao 的成熟任务包,扩大到 20 条任务和少量任务族。完整方案见 rollout-plan.md,实际完成和未验证项以 progress.md 与 acceptance.md 为准。
开发与验证
在项目根目录运行:
python3 -m rollout --help
python3 -m rollout doctor
python3 -m rollout calibrate tasks/frame-decoder --trusted-local --output runs
python3 -m unittest discover -s tests -v
doctor 显示 Python 版本、检查 Docker 命令和 daemon;缺 Docker 时返回 2。它不验证编译器、镜像或模型。可信本地校准实际编译和运行仓库样例,gold 通过、缺陷初态与 noop/cheat 失败,四类各重复五次;此模式不能执行不可信 Agent。
有可用 Docker 和固定镜像后进行正式环境校准。IMAGE 替换为含 Python 3、C 编译器及 Agent 的本地镜像引用;程序解析实际 image ID,不自动拉取。
python3 -m rollout calibrate tasks/frame-decoder --image IMAGE --output runs
接入已有 Agent:CALIBRATION_PATH 是同任务、verifier 和实际镜像身份的 Docker 校准 attempt 目录;每类样例各五次(默认 20 次)符合预期且整体 PASS 才准入。--agent 必须最后,以下占位 argv 替换为镜像内实际命令。
python3 -m rollout run tasks/frame-decoder --image IMAGE --agent-id AGENT_AND_MODEL_VERSION --calibration CALIBRATION_PATH --output runs --agent AGENT_COMMAND ARG1
run 从 stdin 提供题面,在工作容器运行 Agent;冻结任务声明的 candidate_files 后新建无网评分容器。每个 attempt 保存监督事件、回执、候选和阶段日志,脚本 Agent 不计为真实 LLM rollout。
Pi 与模型接入
Pi adapter 固定 Pi 0.73.1,默认 GLM-5.3 Chat Completions,也支持用户指定的 Qwen qwen3.8-27b-nvfp4 Responses 服务;Dockerfile 提供 Node、Python 与 C 工具链,不包含正式 grader 或参考解。镜像构建使用仓库根目录作为 context。
Pi 通过可信 host 代理调用模型,上游 key 留在 host 私有文件与代理内,不进入 Agent、镜像、argv 或轨迹。--model-base-url 传非敏感的私有代理地址,--agent-network 指向已创建的本次专用 internal Docker 网络(未指定时 Agent 无网络);调用方负责代理和网络的最终清理。具体边界见 agent.md。
正式 Pi 入口使用 pi_run,自动管理专用网络、私有代理、校准、Agent、独立 grade 与证据复核。在 36 的项目根目录运行,镜像须已拉取到本机 Docker;将 PRIVATE_CREDENTIAL_FILE 替换为私有、不纳入 Git 的 JSON 文件绝对路径,文件包含非空 model_api_key 字段、权限为 0600,不在命令中传密钥值:
python3 -m rollout.pi_run tasks/frame-decoder --image ccr-29eug8s3-pub.cnc.bj.baidubce.com/algo/bench-runtime@sha256:1e195a49f79fb8c68410f689dd2e627d0df63d62cd4de0000ba57bd1daa78e9a --credential-file PRIVATE_CREDENTIAL_FILE --output runs
可加 --calibration CALIBRATION_PATH 复用同任务/verifier/image 的完整 Docker 校准;省略时自动重新校准。--agent-timeout 默认 900 秒。输出 controller 路径、总体 status、独立 task_verdict 和清理结果,目录内含 broker.jsonl 与底层 attempt。总体 PASS 还要求原生证据 VERIFIED、Agent 正常结束及清理确认,不能只看任务判分。
Qwen 试跑加 --model qwen3.8-27b-nvfp4,使用包含本次 Responses adapter 的新镜像和独立私有凭据文件。旧 GLM 镜像不支持新增的模型参数。代理只连接用户指定的 http://114.111.18.115:18080/v1/responses,broker 须确认每轮唯一的 response.completed;缺失完整终态不算完整 rollout。首次接入不发可选 reasoning 参数,服务返回的思考内容仍保留在原生轨迹。
工作容器为 2 GiB、1 CPU,--agent-timeout 默认 900 秒;评分容器为 512 MiB、1 CPU,首题评分期限为 60 秒。用户当前不设费用或模型轮数上限,执行超时只用于防止挂死。Pi 原生事件写到与候选分离的 /trace/native.jsonl;有文件和摘要不等于会话完整,仍需核对调用闭合及反馈进入后续模型输入。
已接通的资源
2026-10-12:36 Linux 主机 Docker 29.5.2 可用;Salty 0.2.3 已安装并由本人授权;runtime 已构建并推送 CCR,tag 为 embedded-rollout-20261012-pi0731-trace2,正式运行按上方 manifest digest 固定。相同 digest 经 VPC registry 在 Salty CPU 探针中拉取并执行成功,Node v22.23.3、Pi 0.73.1。
新镜像 Docker 正负例共 20 次校准 PASS,镜像内 9 项 Pi SDK 检查全部 PASS、0 skip。本地全量回归运行 41 项,整体通过;其中真实 SDK 项因本地缺 node_modules 跳过,镜像内已实测。36 上的真实 GLM/Pi rollout 已通过:8 轮模型请求、10 个工具反馈均进入后续输入,独立 87 项行为检查 PASS,原生证据 VERIFIED,清理 confirmed。合格轨迹已封存到 Salty 唯一个人目录并下载核对摘要,临时探针和下载已删除;首次异常轨迹不计为合格样本。原件与验收边界见 acceptance.md、现场回执 和 运行审阅。
已通过的是 36 Docker 真实闭环与 Salty 归档,Salty 正式 Agent 后端和 20 题扩量尚未完成。Salty 不假定支持嵌套 Docker、Secret 或无网评分,后端正式采集需独立验证。只运行本项目试跑,不动已有作业;旧 CCR 试验版本的清理例外见 资源接入记录。Git 不配置 remote、不 push。
封存完整轨迹
controller 结束后,复核证据并生成唯一归档文件。CONTROLLER 替换为本次输出目录;artifacts/ 为 Git 忽略的数据目录。
mkdir -p artifacts
python3 -m rollout.archive CONTROLLER --task tasks/frame-decoder --output artifacts/rollout-20261012.tar.gz
salty storage cp artifacts/rollout-20261012.tar.gz personal:/embedded-rollout/
入口允许 Agent 正常结束、原生证据 VERIFIED 且清理确认的 PASS/FAIL;归档只包含显式证据与公开题面,不包含 grader、参考解、凭据或工作区。输出文件不能覆盖。上传后需下载到临时文件并核对 SHA-256,再删除临时文件,详见 归档合同。
五字段题目导出与难度
参考 UltraData-RL-2609,任务统一导出 uuid/query/ground_truth/source/domain 五字段 JSONL。原生模型与工具轨迹保留在证据归档中;今后每份归档自动带 dataset.jsonl。独立导出:
python3 -m rollout.export tasks/frame-decoder --output artifacts/frame-decoder.jsonl
首题采用真实 argv 分片与退出码扩展,评分需本项目验收器;完整合同见 data-format.md。它归类 SMOKE_ONLY,只用于链路回归。主采集池先测明确目标模型的多次成功率与失败根因,再决定扩量,不把一次成功或 87 项断言直接当作数据难度。
2026-10-12,Qwen qwen3.8-27b-nvfp4 真实试跑通过:7 次模型调用、6 个工具反馈、7 条思考消息,独立 87 项检查 PASS;证据 VERIFIED、清理 confirmed。首轮校准有一次容器超时,随后完整 20 次重新校准通过才启动模型。详见 试跑回执。
导入 Bos-qiao 任务与批量采集
bos_import 把一个 Bos-qiao envs/S500_* 环境转成本项目任务包:template 原样进入工作区,final_targets 成为 candidate_files,gold.sh/valid_*.sh/cheat_*.sh 只做字面量解析(遇到其他命令即拒绝,不执行),根目录 *.py 判据作为私有 grader_files,统一的 verify.py 以 UID 65534 原样运行原 check.py。工作区所有 *.py 都参与评分的旧判据(rglob 型)暂不导入,因为本合同只冻结声明文件。
python3 -m rollout.bos_import BOS_ENV_DIR --output tasks/ENV_ID --family FAMILY
python3 -m rollout calibrate tasks/ENV_ID --image IMAGE --output runs/pilot-calibration
批量采集不另建调度器:每个 pi_run 自带专用网络与代理,可以直接用 xargs -P 并发。JOBS 每行为“任务名 校准目录”,按轮次重复即为每题多次采样;输出放在本批唯一目录,再生成批次报告:
xargs -P 4 -L 1 sh -c 'python3 -m rollout.pi_run "tasks/$0" --image IMAGE --credential-file PRIVATE_CREDENTIAL_FILE --calibration "$1" --output runs/BATCH </dev/null' < JOBS
python3 -m rollout.report runs/BATCH --tasks tasks --output runs/BATCH-report.json
报告只把“PASS/FAIL、原生证据 VERIFIED、Agent 正常退出且清理确认”的尝试计为完整轨迹,其余按 status/证据分类列为排除;token 为原生 usage 字段求和,费用字段不可用时记 unknown。
阅读顺序
- 开发流程:需求、合同、实现、校准、测试、review 和记录。
- 架构与证据:候选、评分器、模型代理、原生轨迹和回执边界。
- 机器部署图与实际位置:Mac、36、CCR、GLM 与 Salty 的当前分工、建议迁移路径,以及镜像/轨迹地址。
- 任务创建标准 与 参考模板:任务交付物、准入流程、制作工时与可复制的设计表。
- Agent 接入合同:启动、工具反馈和真实轨迹要求。
- 基础设施 与 资源接入:已有资源及待验条件。
- 聊天整理:16 个聊天、46 轮讨论的来源、历史成果和统计口径。
- 验收记录 与 开发进度:实际结果、证据和下一步。
单任务通过不代表 20 条任务或整个项目完成。任务成功、会话完整、来源可信与清理分别验收;失败的真实尝试也可形成有效 rollout。回执中的 NOT_TRAIN_READY 是沿用字段,不表示本项目已启动训练流程。