gate 验证提速设计(v2):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),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
到达序计数无偏	翻转对需 base/cand 两臂都返回才成立;H0 下两臂可交换,(结果, 延迟) 联合分布对换臂对称 → W 型与 L 型翻转的到达时间分布相同,按完成序计数不偏向任何方向
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

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)

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:
      所有 (题型, 单元, 臂) 任务按「题型轮转 × 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:某单元两臂齐 →
          任一臂 INFRA → 单元剔除(护栏计数,详 §2.3)
          否则配对计翻转 → 该题型 (W,L,n_used) 更新 → 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(W,L 已冻结)
      某题型全部单元返回仍 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 → 逐对连续序贯,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`),predictions 落库与溯源不变
n_remaining 口径	等价迁移:= 未配对且未剔除单元数(排队+in-flight);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

并发池为全 gate 共享的 32(与 rollout 同参),取代"每次 run_inference 各建信号量"——峰值在飞请求恒 ≤32,不再有双臂叠加超限问题(v1 设计此处低估,Codex 已指出)
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
小题型单元少、在共享池中最先出结果,天然优先收敛

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:scan `llm_cache:*`,对 `0 < TTL < 604800` 的键 `EXPIRE 604800`(运维动作,见 runbook,不入库代码)
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 重跑前清同 run_id 旧行(现行机制覆盖新 run_id 命名);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):
- 同一组固定对错序列下,连续监控判定结果(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);
- 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:❌ 统计致命伤。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(Codex Critical,已验证)。
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。

9.5 KiB Raw Blame History