# gate 验证提速设计(v3):连续并发 gate + Redis 复用

> 2026-07-16。背景:Video-MME 900 训练实测,epoch 1 单题型 gate 双臂验证 ~3h(两臂串行 × 块串行 × 题型串行三重串行,~6 题型/step)→ step ~18h,3 epochs 不可行。v1 设计的"预灌 BaselineCache"经 Codex 审查发现统计致命伤已废弃(见 §7)。本版方案:**②″ 连续并发 gate**(题型并行 + 双臂并行 + 逐对连续早停,一次调度重构)+ **③ Redis 复用保障**。统计内核(e-值公式、四出口、配对翻转、信息量阶梯、题尽/试用期通道)一行不动。

## 1. 统计合法性(②″ 的前提)

| 论点 | 依据 |
|---|---|
| 块=8 不是统计需要 | TRM4 注释原文"块大小=推理并发度,块内跑满"——并发 8 时代的工程遗迹。e-process 为 anytime-valid 上鞅(Ville 不等式),在**预先声明的样本顺序**下任意时刻停下判定假阳率仍 ≤ 1/e_confirm;逐对判定是比逐块更细的合法 optional stopping |
| **统计消费必须按固定阶梯序前缀,不得按完成到达序**(Codex v2 复审 C1) | 到达序消费不合法:base 臂可缓存命中瞬间返回、cand 臂必新鲜跑,两臂延迟不对称,配对完成时间由 cand 延迟主导;若 cand 延迟与对错相关(走满 40 步的慢轨迹更易错),早到翻转对系统性偏向 W 型 → e-值虚高 → 假接受。**修法**:推理全并发乱序执行,但 (W,L) 更新与 gate_decision 只在"阶梯序最长已配齐前缀"延伸时推进——判定顺序回到预先声明的阶梯序,无条件合法;INFRA 单元视为"已解决(剔除)"不阻塞前缀推进 |
| 冻结后 in-flight 结果丢弃合法 | 在固定前缀消费下,停止时刻 τ 之后的样本不进入统计是标准 optional stopping;丢弃不引入偏差(到达序消费下则不成立,故必须配合上一条) |
| 题型间并行无实质依赖 | 各题型 agent 只加载自己的 skill 文件(12 题型各有专属 .md),A 型 accept 改 A 的文件,对 B 型推理内容零影响。现行字母序滚动版本只是记账先后,非实质依赖。唯一共享文件 default-strategy.md 仅在题型缺专属文件时 fallback——本次 12 型全有专属文件,不触发;**启动时 fail-fast 断言:同 step 内多个题型不得映射同一 target_file**,违反即中止(RuntimeError,防未来配置漂移) |

## 2. 改动 ②″:连续并发 gate 调度器

### 2.1 新流程(替换 `_gate_batch_skills` 串行 for + `validate.py` 块循环)

```text
step 内 gate 阶段:
  Phase A. 并行进化:全部案例包题型(剔除 cooldown)gather 调 evolve_single_skill
           无真实改动的题型照旧写 skipped step_report 退出
  Phase B. 装配:每题型 阶梯出题(排除本 step 案例单元, 截断 n_max=40) + 物化候选目录
  Phase C. 连续监控调度(推理乱序并发 × 统计前缀有序):
      所有 (题型, 单元, 臂) 任务按「题型 round-robin × 题型内阶梯序」交错压入共享并发池(32)
      base 臂任务:BaselineCache 命中 → 立即完成;miss → 新鲜跑基线版本,非 INFRA 回写缓存
      cand 臂任务:跑该题型候选目录
      事件循环(每题型持有前缀指针,初始 0):
          单元两臂齐 → 标记该单元"已解决"(配对翻转 / 任一臂 INFRA 则剔除,护栏计数 §2.3)
          若阶梯序前缀因此延伸 → 沿前缀逐单元消费:更新 (W,L,n_used) → gate_decision
              判定 ≠ continue → 冻结该题型:排队未启任务撤销(启动前查冻结标志),
                                  in-flight 任务跑完落库但不计入(τ 之后样本,合法丢弃)
          前缀之外已完成的单元暂存,等前缀推进到它时才消费(统计顺序 = 预声明阶梯序)
      某题型前缀消费完全部单元仍 continue → n_remaining=0 → 题尽第四出口(provisional/inertia)
  Phase D. 汇总:按字母序对已判定题型依次执行现有 _accept_skill / _record_rejected_skill
           (文件不相交,顺序仅为确定性;gate_evidence/step_report/quadrant_pairs 照写)
```

### 2.2 保留与消解

| 项 | 处置 |
|---|---|
| e-值公式 / 四出口 / w_net_min / delta_min / lambda_dir / futility | **不动**(判定函数 `gate_decision` 原样,只是调用时机从"每块末"变"每对完成") |
| 信息量阶梯出题 + 案例单元排除 + n_max=40 | **不动**(发射顺序即阶梯序) |
| BaselineCache(miss 新鲜跑、INFRA 不写、内容寻址) | **不动**(无预灌;epoch 1 冷缓存,base 臂新鲜跑但与所有臂共享并发池) |
| provisional → probation 试用 / epoch 末结算回滚 / cooldown / 黑名单 | **不动** |
| `gate_block=8` 分块 | **消解删除**(config 键与 validate 块循环一并移除;CLAUDE.md §4.7 #6 需在 commit 标注本次语义修订:块序贯 → 阶梯序前缀逐对序贯,判据不变) |
| 每块两个 run_id(`_b{i}_base/_cand`) | **替换**为每臂一个 run_id(`..._gate_{slug}_base` / `_cand`)。溯源口径变化:predictions 不再携带块信息,gate_evidence 行以 **ladder_rank(阶梯序号)替代 block_idx** 补足调度溯源 |
| step 重跑幂等(**修复现行潜伏 bug**) | 现行 `_run_step` 只清 rollout run_id,gate 派生 run_id 的旧行从不清理,崩溃重跑会累积重复 predictions(HarnessLog 无主键去重)。**新增**:step 开始时一并清理 `{step_run_id}_gate_%` 的 predictions/traces 及该 (epoch, step) 的 gate_evidence / quadrant_pairs / step_report 旧行 |
| 断点粒度 | **明确声明**:gate 内无断点(与现行块方案一致),checkpoint 仍为 step 粒度;崩溃重跑该 step 时由上一行的清理保证干净重放,Redis/BaselineCache 命中使重放近零成本 |
| n_remaining 口径 | 等价迁移:= 阶梯计划中前缀尚未消费的单元数;题尽判定与现行一致 |

### 2.3 INFRA 护栏(并行下的等价迁移)

现行:跨块累计 error 率,分母 ≥10 且 > gate_guard_err(0.10) → 中止训练。迁移为**每题型运行时计数器**:分子=该题型 INFRA 单元数(任一臂),分母=该题型已完成推理的单元次数(两臂各计,缓存命中不计),阈值与中止行为不变。判定在每次单元完成事件时检查,先于配对更新。

### 2.4 并发与调度事实

- **实现级约束**(Codex I1):并发控制为 gate 调度器持有的单一共享 `asyncio.Semaphore(concurrency)`,单元级推理任务在该信号量下执行;不得沿用"每次 run_inference 各建信号量"(否则并行臂叠加超限)。峰值在飞请求恒 ≤32
- **公平调度**(Codex I2):任务发射严格按题型 round-robin 轮转(题型内按阶梯序),防止大题型占满槽饿死小题型;冻结题型立即停止补发
- **进化并行的并发契约**(Codex I3):`GovernedLLMClient` 已在 rollout 中承受 32 路并发调用(治理栈全线程/协程安全),6 路 gather 进化无新增风险;设计约束:Phase A-C 只读训练 state,**Phase D 是唯一写 state 的阶段**(probation/cooldown/rejected_buffer/changed_task_types 均在 Phase D 按字母序串行落账)
- 浪费上界:每题型判定瞬间 in-flight 的任务 ≤ 并发宽度;排队未启动的全部省下。相比"全发不早停"省 ~50-70% token,相比现行块早停多耗 ≤32 题次/题型

## 3. 改动 ③:Redis 复用保障

| 措施 | 说明 |
|---|---|
| 缓存键成分不动 | 消息内容(skills/prompts v1 正文、冻结题池、`build_batches(seed=epoch)` 确定性批次)与盐(run_id 派生自 `infer_adhoc`)零变化 → 重启后 rollout / 诊断 / 进化调用命中已写缓存 |
| gate 臂 run_id 变化的影响 | ②″ 将 `_b{i}_base` 改为 `_base`,今日旧 gate 调用(仅 Action Reasoning 部分块)的盐失配不复用——量小(~100 题次),可接受,如实记录 |
| `.env` `REDIS_CACHE_TTL` 86400→604800 | 仅一行;只影响未来写入,保障多天训练中断重启后早期调用仍在 |
| 一次性续期今日键 | 重启前运行一次(运维动作,不入库代码):`conda run -n Video-Tree-TRM python -c` 连 `.env` 的 REDIS_URL,`for k in scan_iter('llm_cache:*'): 0 < ttl(k) < 604800 and expire(k, 604800)` |
| 复用边界(诚实声明) | Agent 逐步追加 messages,某步 miss(如原调用 503 未入缓存 / TTL 过期)后该轨迹后续全 miss 并可能分叉——复用是"命中前缀零成本"的尽力而为,非全量保证。今日实测命中率 42% 佐证机制有效 |

## 4. 非功能四维

| 维度 | 保障 |
|---|---|
| 持久化 | predictions/traces 逐题落库(HarnessLog 单连接+锁,不变);BaselineCache 逐条原子写(不变);判定即写 gate_evidence/step_report |
| 幂等 | step 重跑前清 rollout run_id **及全部 gate 派生行**(§2.2 修复项,现行代码只清前者);BaselineCache 同键同值重写无害 |
| 断点续跑 | checkpoint 粒度仍为 step(gate 中途崩溃 → 重启重跑该 step,与现行一致);Redis/BaselineCache 命中使重跑近零成本 |
| 原子性 | 判定冻结为内存事件,落库单条原子;无跨文件半写窗口 |

## 5. 前序行为审计

| 现有行为 | 处置 |
|---|---|
| 题型串行 for(字母序滚动版本) | **替换**:题型并行,accepts 按字母序统一合并(内容等价,记账顺序确定) |
| 进化串行 | **替换**:题型间 gather 并行(rejected_buffer / budget per-type 独立,无共享) |
| 块序贯(8/块)+ 两臂串行 | **替换**:逐对连续序贯 + 全臂共享并发池 |
| base 臂缓存 miss 新鲜跑 / INFRA 不写缓存 | **保留** |
| INFRA 护栏(分母≥10 且 >10% 中止) | **等价迁移**(§2.3) |
| cooldown / skipped / 无改动跳过 + step_report | **保留** |
| gate_evidence / quadrant_pairs / candidate_correctness 增量合并 | **保留** |
| e-process 判定与四出口、题尽通道、probation | **不动** |

## 6. 测试

- 单测(调度器,注入假 run_inference 与可控延迟):
  - **前缀有序性(核心)**:构造"阶梯尾部单元先完成"的乱序到达,断言 (W,L) 更新顺序严格等于阶梯序、前缀未齐时不判定;
  - 同一组固定对错序列下,前缀逐对判定结果(action/W/L/E)与旧块序贯逐块判定一致(早停点可更早,判定方向一致);
  - 过线后排队任务不再启动(计数断言),in-flight 结果不改变已冻结 (W,L);
  - step 重跑幂等:预插旧 gate 行 → 重跑 step → 断言无重复行(C2 修复);
  - fail-fast:两题型映射同一 target_file 时启动即报错;
  - 题尽路径:单元耗尽 → 第四出口与现行一致;
  - INFRA:单臂 INFRA 单元剔除不入配对,护栏计数阈值触发中止;
  - 题型并行:两题型交错完成,互不污染彼此 (W,L) 与判定。
- 单测(进化并行):两题型 gather 进化,rejected_buffer 各自独立生效。
- 集成:小型真实 workspace 跑一个 step,断言 gate_evidence/step_report/quadrant_pairs 落库完整、accepts 正确推进版本。
- 回归:validate/gate_ladder/runner 现有测试全绿(块相关测试改写为连续语义)。

## 7. 已否决备选(含 v1 失败记录)

- **①(v1)预灌 BaselineCache**:❌ 两个致命伤。(a) 统计:冷启动阶梯按 seed 基线"错题优先"选题,预灌使 base 臂 = 选题依据的同一份旧样本;对选中的 seed 错题 base 被钉死为错、新鲜 cand 以概率 p 答对 → W 系统性膨胀,候选无改进也会假接受。现行"miss 后新鲜跑"的测量-选题独立性是刻意设计,不可省。(b) resume 污染:预灌用"当前"skill 内容算 hash,resume 时已进化题型会把 v1 旧预测灌到新内容 hash 下,base 臂错误命中(Codex Critical ×2,均已验证)。
- **到达序消费配对(②″ 初稿)**:❌ base 缓存命中/cand 必新鲜跑的延迟不对称 + 对错-延迟相关,使早到翻转对偏向 W 型,e-值虚高假接受;改为阶梯序前缀消费(§1)。
- **B. 小题型合并进化 default-strategy.md**:future work。合并 gate 池(9+14+17+23=63 单元)可达正式接受线且信号更密,但存在子群伤害风险(平均变好掩盖单型受损)且叠加变量;本轮跑 A(小题型走 provisional+probation 通道),其结果作为 B 的对照证据。
- **top-K 题型/step**:用户否决,保留全部有错题型进化。
- **砍 gate_n_max / 放宽 e 阈值**:动统计参数,收益已被 ②″ 覆盖。
- **块轮次锁步(②′)**:被更优的连续监控取代(锁步有轮末空转,连续无)。

## 8. 预期收益

| 项 | 现状 | ②″ 后 |
|---|---|---|
| step 内 gate(~6 题型) | 三重串行 ~9-18h | 共享 32 并发连续跑,**~1.5-2.5h**(≈总需题次×单题时长/32) |
| 进化阶段(~6 次 LLM) | 串行 ~30-60min | 并行 ~10min |
| 3 epochs(5 step/epoch + epoch 末 val/holdout) | 数天-一周 | **~1.5-2.5 天** |

改动面:`app/harness/validate.py`(块循环→连续调度器)、`app/harness/runner.py`(`_gate_batch_skills` 并行装配)、`config`(删 gate_block)、`.env` 一行、运维一次性续期。