Record implemented work checkpoints and the pending model acceptance gate
Why: Planning-only status no longer matches the candidate, while failed model samples must remain explicit. Evidence: Native SELF receipts and independent REPLAY reports distinguish code checks, six model cases and the failed quality/fidelity boundaries; relative links verified. Impact: Update only this approved U2/U3 planning record and validation report; CI, merge, deployment and an extra sample remain pending. Refs: User confirmation 2026-10-13; Dev feature-fast-slow-u2-u3-plan
This commit is contained in:
@@ -501,6 +501,8 @@ taskId 在排队前持久登记并关联同一张卡；runId 表示一次实际
|
||||
|
||||
## 16. 评审与当前进展
|
||||
|
||||
以下为本设计r1.1交付时的记录；后续实施进展见§16.1。
|
||||
|
||||
| 项目 | 当前状态 |
|
||||
|---|---|
|
||||
| 当前源码核对 | SELF；固定对象与输出在任务卡；不等于运行验收 |
|
||||
@@ -515,3 +517,9 @@ taskId 在排队前持久登记并关联同一张卡；runId 表示一次实际
|
||||
辅助审阅覆盖一致性、范围、可行性、设计、产品、对抗与安全七个视角（其中一致性/范围、设计/产品/对抗/安全分别由同一子代理分析，并非七名独立审阅者）。采纳并自行核对后修订五类问题：两次成果检查点只用于代表性长任务；新增要求的生效文案不误导；确认双入口补提交与未知结果状态；材料版本复用需实际内容身份；无 runId 排队任务重启时不能假装仍有执行者。
|
||||
|
||||
r1.1 相对 r1 的定稿修订：R03 切分为 a/b/c；U1 出口白名单与排除项写入 §14；首批锁定仅 U1。摘要次数/窗口与性能数字仍为候选参数。**设计批准不等于实施授权**；批准 U1 实施计划后另开实施任务，本设计任务不自动启动写代码。
|
||||
|
||||
### 16.1 U2/U3候选进展（2026-10-13）
|
||||
|
||||
用户已批准[U2/U3具体实施计划r0.1](2026-10-13-fast-slow-u2-u3-plan.md)并要求连续推进。当前已实施TaskSnapshot/内容身份/原子事件、队列与重启对账、渐进任务/来源预览以及检查点和预算守卫，保留既有三栏、默认简洁及来源/执行详情展开。已有局部、组合、实际HTTP/browser及独立代码重放；具体固定对象和原始证据见[核验报告](../reports/2026-10-13-fast-slow-u2-u3-validation.md)。
|
||||
|
||||
U3真实模型质量验收尚未通过：原六样本包含只有一次阶段发布、预算语义误读和预算耗尽无最终结果。已据此收紧原文记录与终态摘要、修复评测上限代表性；原失败不改写。追加一次A01复验等待明确授权；当前尚未合入、未部署。优先完成该出口及后续精确HEAD CI/合入，U4与既有实例部署保持未启动，10秒用户指标仍未验证。
|
||||
|
||||
@@ -1,6 +1,6 @@
|
||||
# 快慢通道 U2/U3 Implementation Plan
|
||||
|
||||
> **For agentic workers:** REQUIRED SUB-SKILL: Use superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (`- [ ]`) syntax for tracking. 本计划建议在同一会话原生实施，最后独立 Review；若用户选择子代理方式，改用 superpowers:subagent-driven-development。尚未获本计划实施批准，不得将任务复选框或本文存在视为启动授权。
|
||||
> **For agentic workers:** REQUIRED SUB-SKILL: Use superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (`- [ ]`) syntax for tracking. 本计划建议在同一会话原生实施，最后独立 Review；若用户选择子代理方式，改用 superpowers:subagent-driven-development。实施批准依据：2026-10-13用户“确认，继续推进”；连续授权覆盖本计划U2/U3阶段5–10，不包含既有服务部署。任务复选框不是验证证据。
|
||||
|
||||
**Goal:** 让材料整理期间的真实活动和带来源的阶段发现更新同一张任务卡，刷新、并行与重启后仍能准确读取。
|
||||
|
||||
@@ -10,7 +10,7 @@
|
||||
|
||||
**Spec:** [已批准快慢通道展示方案 r1.1](2026-10-12-fast-slow-channel-display.md)，特别是 §8、§9、§13–15；界面基础以[工作台设计 r0.2](2026-10-12-work-companion-ui-design.md)和[界面实施计划 r1](2026-10-12-work-companion-ui-plan.md)为准。
|
||||
|
||||
状态：**阶段 5 实施计划待评审，业务实现及本批实验 NOT_RUN**。版本 r0.1；日期 2026-10-13（北京时间）；owner weichen；计划作者为本聊天 Codex。来源：用户“继续”并明确选择“推进快慢通道 U2/U3”。本文件补齐上一批明确排除的 U2/U3；不把上一批界面的持续授权自动移作本批授权。
|
||||
状态：**阶段5已批准；Task1–6已实施并完成局部及独立代码复审，Task7模型质量验收尚未通过；未合入、未部署**。版本 r0.1；日期 2026-10-13（北京时间）；owner weichen；计划作者为本聊天 Codex。来源：用户“继续”并明确选择“推进快慢通道 U2/U3”。本文件补齐上一批明确排除的 U2/U3；不把上一批界面的持续授权自动移作本批授权。
|
||||
|
||||
## Global Constraints
|
||||
|
||||
@@ -427,7 +427,18 @@ go test ./eval/live/ -tags live -run TestWorkCheckpoints -count=1 -v -timeout 35
|
||||
| 当前实现与在途核对 | SELF，基线/原始审计见Dev任务卡 |
|
||||
| 既有r1.1方向、阶段1–4 | 原批准继续有效；本计划新增具体接口、约束和验证需阶段5评审 |
|
||||
| U2/U3范围来源 | 2026-10-13本聊天用户明确选择推进U2/U3 |
|
||||
| 本实施计划 | r0.1，待人工评审 |
|
||||
| 新代码/新能力/新实验/新CI/新部署 | NOT_RUN |
|
||||
| 本实施计划 | r0.1，2026-10-13用户“确认，继续推进”批准，阶段5–10连续授权 |
|
||||
| Task1–6 | 本地实施与独立代码复审已完成；原子持久化、来源绑定、队列/恢复、渐进展示与预算守卫有SELF/REPLAY依据 |
|
||||
| Task7真实模型 | 原六样本实际执行；211974 reported tokens；原A01、修订A02语义验收FAIL，A04保留部分发现但无最终结果；输出上限评测缺陷已修复，原始证据保留 |
|
||||
| 当前出口 | U3质量验收未通过；额外A01复验等待用户授权，未自动重跑 |
|
||||
| 平台CI/合入/既有实例部署 | NOT_RUN；尚未达到合入出口；部署不在本批授权内 |
|
||||
|
||||
计划评审入口只维护本文件；Dev任务卡维护当前动作、授权、原始证据及交付进展。用户批准后按本文件的U2→U3顺序实施；下一阶段建议不自动启动U4或既有实例部署。
|
||||
计划评审入口只维护本文件；Dev任务卡维护当前动作、授权、原始证据及交付进展。用户已批准并按本文件的U2→U3顺序实施；下一阶段建议不自动启动U4或既有实例部署。
|
||||
|
||||
## 5. 实施核验与剩余出口（2026-10-13）
|
||||
|
||||
实际进展及证据边界见[本批核验报告](../reports/2026-10-13-fast-slow-u2-u3-validation.md)。原计划Task1–6源码变更已完成，Task7保留失败而非将引用存在视为语义正确。原六样本不因后续修复自动改为PASS。
|
||||
|
||||
等价整改：材料记录由宿主以经过核验的原文和文件名展示，省略模型对该类型的转述、影响和前提；分析/推断保持独立类别及前提，不提升为verified。正文与执行过程分开；失败/中断的下一步不得承诺仍在自动处理。输入配方版本已递增，旧成果不因文件名相同而复用。评测仅收紧输出上限，不能放大生产预算。
|
||||
|
||||
下一步优先完成已实施候选的U3质量复验：前置条件为用户明确批准一次额外A01样本（原计划禁止自动失败重跑）；固定最终候选SHA/相同材料/真实模型，核验两个有用的非终态发布、每项语义与来源、最终结论及Usage，再进入当前HEAD平台CI和PR合入。建议不是新增授权。U4和既有实例部署保持未启动。
|
||||
|
||||
@@ -0,0 +1,43 @@
|
||||
# 快慢通道 U2/U3 候选核验记录
|
||||
|
||||
2026-10-13；负责人 weichen，实施者本聊天 Codex；计划[ r0.1](../proposals/2026-10-13-fast-slow-u2-u3-plan.md)，用户“确认，继续推进”授权阶段5–10连续推进。**本地实现与独立代码复审完成；U3真实模型质量验收未通过，未合入、未部署。**
|
||||
|
||||
## 已实现的用户行为
|
||||
|
||||
同一张任务卡展示真实排队、工作、阶段发现、范围限制和结果；默认最多三项普通发现，关键问题与更正始终可见，依据和历史按需展开。材料记录仅展示核验后的原文和文件名；分析与推断保留类别及前提。来源点击进入现有文件预览，后台更新不抢当前文件、输入焦点和阅读位置。
|
||||
|
||||
任务、尝试、内容版本及执行权由宿主管理；卡、事件和水位原子提交；重复/旧帧/迟到预览被丢弃。重启中断失去执行者的任务，不从旧请求隐式创建新尝试。完成只引用最终正文，停止后的下一步明确要求用户重新提出请求。无新增默认命令/脚本展示、页面或模型摘要调用。
|
||||
|
||||
## 自检与独立重放
|
||||
|
||||
SELF原始命令输出由Dev的make evidence工具写入任务卡，不能升级为GATE。外部收据和报告保留于`/tmp/fast-slow-u2-u3-20261013/`。
|
||||
|
||||
| 对象及来源 | 检查 | 当前结论 |
|
||||
|---|---|---|
|
||||
| SELF，Dev ed7f1c5，Core6e38574/Backendf6b5360/FE4d1d64a/UI3b34dfd/Docs59db26e | make test && make build | PASS；治理311，FE224，UI156；最后材料原文与评测上限修复是后续独立增量，不把旧SHA当新SHA |
|
||||
| SELF，Backend ee65604/2a64432增量 | go test ./...；live真实HTTP夹具780/5000/0输出限额测试 | PASS；完整后端、防止原文添加批准状态、停止后继及精确错误记录的回归通过 |
|
||||
| SELF，隔离PostgreSQL | runmgr/cardsvc/store；此前完整PG后端套件 | PASS；原子性、租约隔离、来源CAS及材料记录守卫通过 |
|
||||
| SELF，实际HTTP浏览器 | 两项新来源/阅读用例、十一项既有导航/窄屏/字号/附件/确认用例 | PASS于先前固定候选；未当作模型质量证明 |
|
||||
| REPLAY，/root/fast_slow_final_review | 独立源码审阅、SQLite/PG重跑、迟到预览、插件冲突、删除索引、通知、实际生产启动及终态正文 | 已整改问题闭合；最终核验对象/日志见下面复审报告 |
|
||||
| GATE | 当前HEAD平台CI及PR合入 | NOT_RUN；U3出口未通过，不提前合入 |
|
||||
|
||||
独立报告原件：`/tmp/fast-slow-u2-u3-20261013/review/fix-review.md`、`model-assessment.md`、`model-assessment-remaining.md`。真实模型数据、执行事件和逐调用Usage均保留，凭据不在报告或源码中。
|
||||
|
||||
## 原六样本的真实模型结果
|
||||
|
||||
固定三份合成文本共3589字，覆盖六月/七月意见、50万元预算与审批、12项总需求/第一期8项、接口依赖及验收缺项；A04含不可读取的PDF。均使用相同MiniMax-M3路由、最多8轮/12工具、每run返回Usage阈值20000和300秒，无自动重试或回退。正常通知模型在对照中对称抑制；其回复质量不在本比较内。
|
||||
|
||||
| 批次/对象 | 结果 | reported tokens |
|
||||
|---|---|---|
|
||||
| baseline R0 Backend0f192a4，A01/A02/A04各一次 | 保留原输出；A02缺少后台整理，部分分析也有语义错误，不能充当准确标准答案 | 57517 |
|
||||
| candidate Backend4a0418e，A01一次 | FAIL：仅一次落盘阶段发布；把总量/第一期当冲突，第二期剩余量误写8；最终卡含过程文字 | 48177 |
|
||||
| revised Backend3e330e3，A02/A04各一次 | A02有两次发布但预算含义仍误读；A04保留两次发现及PDF限制，因预算耗尽失败、没有最终正文 | 106280 |
|
||||
| 总计 | 六素材任务已用完；候选未通过质量出口 | 211974 |
|
||||
|
||||
限制：旧A01观察记录因JSON复用Task指针失去历史快照代表性，原文件保留，实际只有一次检查点由独立数据库事件证实。旧评测错误覆盖了生产较小输出上限，A02最终完整答复不能证明生产预算内也能完成；已用真实HTTP夹具修复，原成功输出不追溯升级。Usage是返回计量，单次在途请求仍可越过阈值，不能声称严格计费上界。模型引用22/22匹配只证明出处，不证明分析正确。
|
||||
|
||||
## 剩余工作及停止边界
|
||||
|
||||
已请求用户批准一次额外A01复验：最多2个run，reported token目标≤60000，不自动重试。当前未收到答复，未执行额外付费调用。条件满足后固定最终候选SHA、保留历史失败，检查两个真实有用阶段、逐项语义与引用、完成卡及Usage；通过后再进行精确HEAD的CI、组件/组合PR合入和安全收口。
|
||||
|
||||
10秒可读性尚无代表性用户测量，标为未验证；既有服务/生产数据未变，U4与部署未启动。代码与原始证据保留在登记任务工作区，未回收未完成分支。
|
||||
Reference in New Issue
Block a user