Agent 与后训练合并批次：可执行边界¶

本批次将 Agent/推理效率与后训练纳入同一工作分支。机制单测、公开小模型诊断和论文完整复现是不同证据等级，不可互换。

已落地、可独立运行的单元¶

ToolSearcher：toolsearcher_credit.py 实现首次发现事件、组内归一化信用与“先搜齐、后选择”门控；toolsearcher_objective.py 实现可微的事件级 clipped policy loss，并用梯度测试确保检索返回文本不参与策略或 KL 更新。原作者公开仓库含 StableToolBench/AppWorld 训练流程。本地未运行 Qwen RL、检索器或 AppWorld 评测。
ActKV：actkv_policy.py 实现 Algorithm 1 的动作区域 attention-aware LRFU 选择；actkv_budget.py 实现 Algorithm 2 的置信度趋势和预算上调。原文的 token 公式使用 surprisal 的符号，但其“下降则增加预算”的判据描述的是 confidence；本实现先转为 confidence 再拟合，避免相反触发。尚未接入 paged attention 恢复、CUDA 原位压实、真实 Agent 回合及吞吐，因此不是端到端 ActKV。
paired_public_comparison.py 要求至少三种子、同 checkpoint/数据版本和更新、生成 token 上限，仅用 validation 选方法，再报告成对 test 差值。Recursive OPSD 官方 GSM8K 三种子诊断和 MaD-RL Qwen 三种子诊断已在 A100 运行，均未观察到优势；后者仍是合成五选项任务，不是原论文数学/代码基准。
KITE 小模型等算量诊断：公开 WikiText-2 上完成三种子、近似 FLOPs 匹配的 2+2 SST 与 4 层 dense 对照；另在 A100 测量随机初始化小模型的 CUDA prefill/decode，未见明确延迟优势。两者都不代表论文 67B MoE 结论。
Code-Based Skills：已固定原作者 CodeHack 与定制 NLE wheel 的公开版本，并在 Linux 隔离环境用真实 MiniHack-Room-5x5-v0 跑通 primitive/skill/mixed 三种动作空间、各三种子、共 9 个 episode，均无运行错误。scripts/run_codehack_minihack.py 与脱敏运行摘要可复核。控制器只是 seeded uniform random，三个动作空间大小不同，不能拿各模式完成率比较方法优劣；原作者 baseline 仓库只作版本参照，未执行其单卡 LLM 评估或八卡训练流程。

已安装原作者 codehack 和其 README 指定的定制 NLE wheel 的 Linux 环境可复跑环境检查：

python scripts/run_codehack_minihack.py \
  --seeds 42,43,44 --max-decisions 8 --primitive-budget 64 \
  --output runs/codehack-minihack-smoke.json

完整复现前的门槛¶

工作	尚缺的可核验证据
ToolSearcher	固定版本的公开 StableToolBench 与 16k 工具索引，Qwen2.5-7B/Qwen3-4B 同预算 RL/基线，AppWorld 隔离测试
ActKV	原文模型真实动作 KV，同预算 FullKV/SnapKV/R-KV，对应 paged kernel 与 A100/A30 吞吐/内存实测
Code-Based Skills	原作者 CodeHack `3026cdb7`、基线仓库 `ba2c532b` 与定制 NLE 已核对；真实 MiniHack 九个环境 episode 跑通，但随机控制器不等于原文 LLM policy，还须运行相同模型、数据、决策/原始步数预算下的三模式对照
GRAFT/DeltaS	各自原论文任务、模型环境及公平预算评测；已有低预算机制诊断不能替代
KITE	原论文模型/语料规模、真实长上下文与吞吐；小模型 CUDA prefill/decode 已测但仅为 launch-bound 微基准，不是论文速度复现
Recursive OPSD、MaD-RL	Qwen3-4B 三种子同预算诊断与隔离 test 已完成，均为负结果；仍缺原文训练分布、原文基准和对应预算，因此保持机制/公开任务诊断，不宣称原文成绩
MuSeR	可审计的公开商品语义与缓存刷新链路、在线/离线公平对照；当前 KuaiRand tag 代理并非原论文语义编码

需要 CUDA 的升级路径，只有在 A100/A30 真实运行、提交脱敏 receipt 并通过 scripts/validate_gpu_evidence.py 后才能标为完成。缺少公开数据或原作者环境的论文保留缺口，不使用合成替身冒充正式结果。