Tb4 Five Arm

Terminal-Bench 4.0 五臂对照

五臂定义、LoopX profile 装配、agent 类、监控工具全部与 [[swe-marathon-five-arm]] 相同，先读那一份。这里只写 TB4 特有的部分。

对照维度仍是 harness 不是模型：五臂的模型、effort、工具面、沙箱、容器一致。

切换方式

export WEN_BENCH=tb4      # 必须 export，见下面「最毒的一个坑」
source env.sh

./scripts/prebuild_images.sh music-harmony   # 应建 2 个镜像，不是 1 个
./scripts/verify_envs.sh music-harmony       # install-only，不烧 token
./scripts/canary_timeout.sh                  # 五臂 × 短死线
./scripts/marathon_all.sh --dry              # 63 任务 × 5 臂 = 315 trial

benchmark 相关的量全在 scripts/bench/tb4.sh，驱动脚本里没有任何 TB4 常量。 WEN_BENCH 不设时默认 swe-marathon，行为与引入 bench 层之前逐字一致 （已用 bash -x 逐参数 diff 验证过）。

数据来源

terminal-bench/ 是 harbor-framework/terminal-bench 的 tag v4.0.0 （commit 452bf305c6），66 个任务，见 terminal-bench/VERSION。

• 不能用 harbor run -d terminal-bench@4.0：harbor 的注册表（Supabase dataset 表）里只有 terminal-bench@2.0，实测查 4.0 返回 null。
• 不要跟 main：上游 README 明说 "will be continuously updated"， 跟 main 跑出来的结果不可复现。
• tasks/dataset.toml 里每个任务有 sha256 digest，task.toml 与 tests/ 一个字节都不能改。要注入环境变量走 harbor 的 --ve / --ae。

TB4 vs SWE-Marathon：四处结构性差异

排除 3 个要 H100 的任务（fp8-rmsnorm-gemm / jax-speedrun-gpu / math-eval-grader），本机是 4090D。剩 63 个，其中 11 个是多容器 （environment/docker-compose.yaml），1 个（medical-claims-processing） 还要 MCP server（playwright，sse http://playwright-mcp:3080/sse）。

坑（都会静默通过）

一、最毒的一个：WEN_BENCH 用前缀赋值

WEN_BENCH=tb4 source env.sh      # ✗ 错
export WEN_BENCH=tb4; source env.sh   # ✓ 对

bash 在 source 返回后会把前缀赋值的变量还原成未设置，但 WEN_TASKS_DIR 是 export 的、留了下来。于是后续任何脚本自己 source env.sh 时：WEN_BENCH 空 → 回退 swe-marathon profile，却继承着 TB4 的任务目录 —— 拿 TB4 的任务、套 marathon 的网络策略（from-task 找不到 network_mode 就断网）、 开着判官注入、写进 marathon-full/。退出码 0，全程无警告。

env.sh 里有个一致性闸门专门拦这个（WEN_TASKS_DIR_BENCH 与当前 bench 不符 就丢弃继承值），但闸门只保证状态自洽，不保证是你想要的那个 bench。 开跑前看一眼各脚本打印的 bench: 那一行。

二、网络策略反了 → 66 个任务全跑成断网

TB4 的 66 个 task.toml 一个都没有声明 network_mode / allow_internet， 而 harbor 0.20.0 的 NetworkPolicy.network_mode 默认是 PUBLIC —— 上游的标定条件是联网。

而 marathon_run.sh 原本的做法是 grep task.toml 的 network_mode、 找不到就回退 no-network。直接套用会把 66 个任务全跑成断网： 退出码 0、有轨迹、有分数，只是分数偏低，看着像"模型不行"。

bench/tb4.sh 里 BENCH_NET_POLICY=public 显式钉死，不走那条 grep。

另注：--allow-agent-host 在 public 下是空操作。 实测 harbor 会打印

UserWarning: Run-specific allowlist host(s) ['<model-gateway>', '<container-gateway>'] are
ignored because the effective network policy is public.

模型端点的可达性靠代理环境变量和宿主机路由，不靠这个参数，别以为加了就生效。

再注：本机实测容器不穿代理也能出网（docker run 里直连 pypi.org 得 200）。 代理注入是沿用 marathon 对 public 任务的既有做法、属冗余保险； no_proxy 已包含模型网关，不会劫持 codex 的调用。

三、environment_mode = "separate"：两个镜像、两个环境

全部 66 个任务都是 separate。harbor 0.20.0 的实际时序 （harbor/trial/single_step.py:38-55、trial/trial.py:610-680）：

跑 agent → 上传 agent 日志 → 收 artifacts → **停掉 agent 环境**
        → 起一个从 tests/ 构建的独立 verifier 环境 → 验证 → 停

三个后果：

1. 每个任务两个镜像（66 × 2 = 132）。prebuild_images.sh 原来只扫 environment/，漏掉 tests/。漏了的话 verifier 镜像会在运行期首次构建， 而运行期没有代理（那是刻意的，代理进运行时容器会破坏隔离），dockerd 自己钉的 <dead-dockerd-proxy> 又是死的 → apt-get 超时 → verifier 起不来记 errored。 症状极像"任务没做出来"：agent 阶段完全正常、有轨迹、有 token 消耗。 现在由 BENCH_IMAGE_DIRS=(environment tests) 覆盖，且跳过会计数。

2. 只有声明在 artifacts 里的文件能跨到 verifier（66 个全声明了）。 agent 把活干在别处、没写到声明路径 → verifier 看到空目录 → reward 0， 而 agent 轨迹完全正常。这是 shared 模式下不存在的失败模式。

3. 串行，所以每 trial 的容器/网段峰值不翻倍，但多一次构建、 多一个 compose project。

四、二值 reward 在紧预算下没有区分度，而 TB4 没有连续分

SWE-Marathon 靠任务自写的 metrics.json（partial_score / pass_rate / pytest / gates_*）补救；TB4 不写这个文件，只有 harbor 的二值 reward。

bench/tb4.sh 设 BENCH_HAS_PARTIAL=0，于是：

• _partial.py 整体跳过并打印原因，不静默兜底
• _compare.py 整列不渲染 partial，而不是渲染成一列 0.0 （一列 0.0 会被读成"全都没得分"，比不显示更坏）
• _compare.py 的跨跑次对照自动改用 reward 做差，表头跟着变

marathon 那轮实测：撞死线的 23 条 trial 无一得分，自己收尾的 14 条中 11 条得分 ——决定分数的是"能不能在预算内做完"。TB4 统一 8h 预算而我们的死线远短于此， 这个问题只会更严重。唯一还能分辨的信号是终止原因（自己收工 vs 撞死线）， _receipts.py 有这个数据，报表必须并排给出。

五、超时倍率不要照抄 marathon

marathon 用的是 build 6× / setup 3× / verifier 4×，那是为未做资源标定的 Dockerfile 定的。TB 4.0 的卖点恰恰是"重新标定了 time/CPU/memory" （build_timeout_sec 中位数 900、verifier.timeout_sec 中位数 600）， 照抄 6× 等于把上游的标定压掉。bench/tb4.sh 用 4 / 3 / 2。

六、canary 的预算比例要重算

canary_timeout.sh 的 CANARY_TIMEOUT_MULT=0.05 是按 8h 声明预算定的 （8h × 0.05 = 24 分钟 > GOAL_TIMEOUT_SEC 5 分钟，保证我们先到）。 TB4 恰好也统一 8h，所以同一个值仍成立。换到声明预算短的 benchmark 上， harbor 侧可能反而先到，冒烟就白做了 —— 而那是静默的： 五臂照样出 result.json，只是走的是另一条超时路径。

七、全量的量级要先量再定

63 任务 × 5 臂 = 315 trial，外加 126 个镜像构建。 MARATHON_AGENT_TIMEOUT_MULT 沿用 marathon 的 0.3 得 8640s（2.4h）/trial。 先拿冒烟的真实单 trial 墙钟再算总时长，别直接开全量。

网段池是硬约束：默认约 32 个 bridge 网络，机器共用。起跑前确认池子有余量 （marathon_all.sh 有 MARATHON_NET_CAP 闸门），清理容器时连 compose 网络 一起清（docker rm -f 不删网络）。

八、11 个多容器 + 1 个 MCP 任务未验证

冒烟只覆盖单容器路径。ctr-optimization cumulative-layout-shift freight-dispatch-shift heat-pump-warranty intrastat-meldung kv-live-surgery legacy-utility-triage live-database-cutover medical-claims-processing nextjs-performance payments-pipeline-fix 容器数与内存压力显著更高；medical-claims-processing 还要 MCP server 起得来。全量前单独验这 11 个。

产物

tb4-full/<task>/<arm>/<stamp>/<arm>/result.json          job 级，含 stats
                                   /<trial>/verifier/    reward.txt
                                            /agent/      trajectory.json / goal_receipt.json
tb4-full/.claims/<task>__<arm>.claim
tb4-jobs/                                                marathon_run.sh 单独跑的落脚点
verify-envs-tb4/  canary-timeout-tb4/

成功判据与 marathon 相同（scripts/_is_done.py，驱动与监控共用）：

n_completed_trials >= 1 且 n_errored_trials == 0