训练前修复分支 final whole-implementation review

2026-07-16。分支 feat/preflight-train-fixes，4 工作包 33 个实现 commit。SDD 每 task 三审 + 本次 Codex 跨 task 整分支终审（gpt-5.4 xhigh）。覆盖矩阵：21 项确认缺陷 + 接线 2 项 + WP1 死字段清理全部实现落地（Codex 逐项核对 file:line 证据）。核心算法保真（#4/#5/#6/#7/#8/#9/#10/#12）、依赖方向（core 不依赖 app/adapters）、loguru、原子写、死字段无残留——全部 verified OK。

执行结果汇总

WP	内容	commit 数	Codex 三审结果
WP1	模板迁移 + 死字段 + fail-loud	3	无任何问题（模板 cmp TRM4 逐字节一致）
WP2	切分与接线（tier/功效/seed/覆盖保护）	7	无 Critical；2 Important（--force 备份健壮性）已修
WP4	韧性与持久化（10 项）	11	无 Critical；2 Important（全 INFRA/parse_error 护栏）已修
WP3	训练循环与进化（9 项，5 算法保真区）	12	无 Critical；2 Important（单元计数/全过滤 fail-fast）已修

全量 1523 tests passed，ruff 全绿。

Final review 发现与处置

C-1（必须，runbook）——.env 未同步导致 train 启动崩溃

.env:65 仍 REDIS_CACHE_TTL=0，WP4 Task 2 的 fail-loud 会在 main.py / video_split_cli 构建 Redis 缓存时抛 ValueError，训练进不到 runner.train。.env.example 已改 86400 但 .env（gitignore）需手动改。→ 训练前 runbook 第一步：REDIS_CACHE_TTL 改为正整数（如 86400）。

I-3 / I-4（真实缺陷，✅ 已修）

#	缺陷	首跑是否触发	处置（commit）
I-4	显式 task_types 子集不过滤冻结全局 pools → 训练非请求题型	全 12 类首跑不触发	✅ `ee69721`：`_filter_untrainable_types` 候选集先与 task_types 取交集，非请求题型剔除，fail-fast 保留
I-3	gate INFRA 护栏分子按 record、分母按 unit，AR pair 误触发 gate_guard_err	全 single 首跑不触发	✅ `b3ba11c`：INFRA 分子改按 unit 数；顺带修正 2 个既有护栏测试的 mock 不真实性（per-record 与 summary 不一致，真实推理不会发生），保真套件全绿

M-2（6911c83）：INFRA_STOP_REASONS 提为 core 公共常量、app import。残留 future work：app/harness/video_split_cli.py 仍有第三份独立副本（本次 scope 外），待后续 dedup。

I-1 / I-2（技术论证：实际影响可控，记录不强修）

#	Codex 关切	论证	首跑建议
I-1	cache_salt 未贯穿工具内 LLM/VLM（observe_frame VLM、summarizer）	工具内是确定性子程序——同帧→同 VLM 描述、同轨迹→同 summary，重放语义正确甚至期望；需跨 epoch 重采样的 agent 决策 LLM（主 loop chat）已正确注入 run_id 盐	改 .env 后可跑；若谨慎可首跑关 Redis 缓存
I-2	基线臂 miss 新鲜推理注入 epoch salt，不符固定快照	BaselineCache（`baseline_cache.json`）跨 run 持久：快照一旦建立即稳定，epoch salt 只作用于"首次建立快照的那一次采样"（本就要采一次），中断重跑命中持久缓存	影响限于首次采样，可接受

若后续要彻底贯彻 P1-1（把 cache_salt 显式化、基线臂传 None、工具内也隔离），记 future work——需把 Task 9 的"inference 内部用 run_id"重构为"调用方显式传 cache_salt"，风险中等。

Minor（future work / 顺手）

M-2：INFRA stop-reason 集合在 core/app 各一份 → 已派 app import core 常量消除漂移。
M-1：_atomic_write_json 在 pools.py/workspace.py 两份等价实现（行为一致，可抽共享 helper）。
M-3：部分 analyses JSON（非 checkpoint/manifest/pools）仍直接 write_text（不破坏续跑主状态）。

训练前 runbook（结合本分支）

改 .env：REDIS_CACHE_TTL=0 → 86400（C-1，不改则启动崩）。
备份 workspaces/video-split/ 冻结产物。改 config/video_split.yaml 已含 val_ratio: 0.4（WP2），重跑 build_video_split.sh（诊断命中缓存秒级重切）→ 核对 val 错题≥20 / T2 入 diag / tier 感知生效。
建 seed：extract_run_db(infer_adhoc, dedupe_per_question=True) + init_seed('adhoc-baseline', pools_json=…, split_manifest=…)（WP2 接线）。
新建 config/train_videomme.yaml + scripts/train_videomme.sh：epochs=3、early_stop_patience=2（epoch 语义 WP3）、run_holdout_eval=true（去重版 WP3）、trainable_min_units=8（WP3 新字段，必填）、全 12 类（避免 I-4）、其余 gate/batch 沿用 default.yaml。
tmux 启动 CUDA_VISIBLE_DEVICES=0 bash scripts/train_videomme.sh。预检会自动剔除微型题型（OCR/Spatial/Temporal Perception 等 5 类），打印剔除清单。

4.9 KiB Raw Blame History Unescape Escape