执行摘要

• 一句话：新增 Sample 序列化和规则打分器 CPU 单元测试
• 推荐动作：建议阅读 tests/test_sample.py 和 tests/test_rm_math.py，其测试组织结构（清晰分离 round-trip 合约、边界值参数化、手算期望值）可作为编写同类单元测试的参考。其余测试文件按需精读。

功能与动机

本仓库的 Sample 序列化、boxed-answer 提取、数学归一化、GPQA 字母提取和 F1 计算等模块此前缺乏单元测试，存在静默回归风险（如句柄不一致时奖励信号从 1 变为 0 而不会触发任何 CI 告警）。该 PR 旨在通过新增精准的 CPU 单元测试锁定这些合约，防止未来迭代时引入难以察觉的错误。

实现拆解

1. 新增 Sample 序列化 round-trip 测试（tests/test_sample.py）：构建涵盖所有字段非默认值的 Sample 实例，测试 to_dict 将枚举状态序列化为字符串、展平嵌套的 SpecInfo/PrefixCacheInfo，并验证 from_dict 能完整恢复原始对象。同时测试 update_from_meta_info 中 finish_reason 到 Status 的映射正确性。

2. 新增数学类评分器单元测试（tests/test_rm_math.py）：锁定 last_boxed_only_string 和 remove_boxed 的 brace 计数逻辑及 \fbox 回退；验证 extract_answer 和 extract_boxed_answer 的便利组合；通过参数化测试覆盖 _strip_string 中 LaTeX 归一化的多个关键替换规则。

3. 新增 DAPO 数学评分器测试（tests/test_rm_math_dapo.py）：区别于 math_utils 的行为，测试 remove_boxed 在异常输入时抛出 AssertionError；验证 normalize_final_answer 的替换列表、删除列表、正则管道；覆盖 is_correct_strict_box 的精确匹配与截断（最后 300 字符）逻辑。

4. 新增 GPQA 评分器测试（tests/test_rm_gpqa.py）：测试 _extract_letter_from_response 的三种命名模式、独立字母回退、</think> 分离；验证 compute_gpqa_reward 接受标签为单字母、整数索引、富文本标签，以及 choices 传入格式为列表或有序字典。

5. 新增 F1 评分器测试（tests/test_rm_f1.py）：锁定 normalize_answer 的定冠词、标点、空白处理顺序；验证精确匹配为 (1,1,1)、部分重叠的 precision/recall 手工计算、无重叠时的零元组、预测/标注为 None 的容错，以及 yes/no/noanswer 特殊分支。

6. 新增 DeepScaler 评分器测试（tests/test_rm_deepscaler.py）：测试基于 </think> 和 ###Response 的分段逻辑，确保仅对尾部内容评分；覆盖无分隔符、无 boxed 答案、空标签、标签类型强制转换（int/float）等边界情况。

7. 调整 CI 工作流（pr-test.yml.j2、pr-test.yml）：在 CPU 作业中添加 pytest tests/test_sample.py tests/test_rm_math.py ... 执行命令，确保新增测试在 PR 预提交阶段自动运行。

关键文件：

• tests/test_sample.py（模块 核心类型；类别 test；类型 test-coverage；符号 _make_sample, test_to_dict_serializes_status_as_string_value, test_to_dict_flattens_spec_info_and_prefix_cache_info, test_round_trip_preserves_every_field）: 覆盖核心数据类型 Sample 的序列化 round-trip 和 status 映射，是训练/rollout 边界的关键合约测试。
• tests/test_rm_math.py（模块 数学规则；类别 test；类型 test-coverage；符号 test_last_boxed_returns_last_when_multiple, test_last_boxed_handles_nested_braces, test_last_boxed_falls_back_to_fbox, test_last_boxed_returns_none_when_missing）: 锁定 math 风格评分器的核心字符串处理函数（brace 计数、LaTeX 归一化），这些函数在被所有 math 类 rm_type 共享，且无其他测试覆盖。
• tests/test_rm_math_dapo.py（模块 DAPO 数学；类别 test；类型 test-coverage；符号 test_last_boxed_picks_rightmost, test_last_boxed_balances_nested_braces, test_last_boxed_returns_none_when_missing, test_last_boxed_returns_none_on_unterminated）: 验证 DAPO 数学评分器的独特行为（remove_boxed 抛出异常而非静默返回 None），这些差异容易在统一重构时被忽略。
• tests/test_rm_gpqa.py（模块 GPQA 规则；类别 test；类型 test-coverage；符号 test_extract_letter_named_patterns_and_fallback, test_extract_letter_strips_chain_of_thought_before_matching, test_extract_letter_returns_none_on_no_match, test_extract_letter_returns_none_on_empty）: 覆盖 GPQA 规则打分器的字母提取分支（多种模式）和不同的 label/choices 格式，防止字符串解析回归导致奖励信号错误。
• tests/test_rm_f1.py（模块 F1 评分；类别 test；类型 test-coverage；符号 test_normalize_answer, test_f1_exact_match_is_perfect, test_f1_partial_overlap_hand_derived, test_f1_no_token_overlap_returns_zero_metric）: 锁定 F1 评分器的 normalize_answer 顺序和特殊标记分支（yes/no/noanswer），避免因正则调整导致静默得分变化。
• tests/test_rm_deepscaler.py（模块 DeepScaler；类别 test；类型 test-coverage；符号 test_response_split_on_think_marker_grades_tail, test_response_split_on_response_marker_grades_tail, test_response_without_any_marker_returns_zero, test_response_with_no_boxed_answer_returns_zero）: 覆盖 DeepScaler 风格响应分段规则（ 和 ###Response），防止因聊天模板变更导致所有样本得零分。
• slime/utils/misc.py（模块 工具模块；类别 source；类型 dependency-wiring）: 小幅调整导入关系，适应新增测试的依赖。改动虽小，但涉及公共工具模块，需确保向后兼容。
• .github/workflows/pr-test.yml.j2（模块 CI 模板；类别 infra；类型 infrastructure）: CI 模板文件，新增 CPU 测试的执行步骤，确保新测试在 PR 自动运行。
• .github/workflows/pr-test.yml（模块 CI 配置；类别 infra；类型 infrastructure）: 更新 CI 配置文件以包含新测试 job。

关键符号：_make_sample, _make_args, test_to_dict_serializes_status_as_string_value, test_to_dict_flattens_spec_info_and_prefix_cache_info, test_round_trip_preserves_every_field, test_from_dict_preserves_unknown_fields_as_attributes, test_round_trip_through_default_constructed_sample, test_status_mapping_for_each_finish_reason, test_last_boxed_returns_last_when_multiple, test_last_boxed_handles_nested_braces, test_last_boxed_falls_back_to_fbox, test_last_boxed_returns_none_when_missing, test_last_boxed_returns_none_on_unterminated_box, test_remove_boxed_strips_wrapper, test_remove_boxed_preserves_inner_braces, test_remove_boxed_returns_none_on_malformed_input, test_last_boxed_picks_rightmost, test_last_boxed_balances_nested_braces, test_last_boxed_returns_none_when_missing, test_last_boxed_returns_none_on_unterminated, test_remove_boxed_strips_wrapper, test_remove_boxed_raises_on_malformed, test_normalize_final_answer_canonical_substitutions, test_normalize_final_answer_strips_end_tokens, test_extract_letter_named_patterns_and_fallback, test_extract_letter_strips_chain_of_thought_before_matching, test_extract_letter_returns_none_on_no_match, test_extract_letter_returns_none_on_empty, test_extract_letter_respects_valid_letters_restriction, test_reward_letter_label_match, test_reward_letter_label_mismatch_returns_zero, test_reward_int_label_maps_via_choices_length, test_normalize_answer, test_f1_exact_match_is_perfect, test_f1_partial_overlap_hand_derived, test_f1_no_token_overlap_returns_zero_metric, test_f1_none_prediction_returns_zero_metric, test_f1_special_token_pred_mismatch_returns_zero, test_f1_special_token_gt_mismatch_returns_zero, test_f1_special_token_exact_match_uses_token_path, test_response_split_on_think_marker_grades_tail, test_response_split_on_response_marker_grades_tail, test_response_without_any_marker_returns_zero, test_response_with_no_boxed_answer_returns_zero, test_empty_label_returns_zero, test_label_as_int_is_coerced_to_string, test_label_as_float_is_coerced_to_string, test_label_with_boxed_marker_is_extracted_too

关键源码片段

tests/test_sample.py

覆盖核心数据类型 Sample 的序列化 round-trip 和 status 映射，是训练/rollout 边界的关键合约测试。

# ---------------------------------------------------------------------------
# 辅助函数：构建覆盖所有字段非默认值的 Sample 实例，确保 round-trip 测试
# 能触发 to_dict/from_dict 的每一条分支，而非仅验证默认值路径。
# ---------------------------------------------------------------------------
def _make_sample(**overrides) -> Sample:
    """
    构建包含各种非默认字段的 Sample，使得 round-trip 测试可以覆盖
    ``to_dict``/``from_dict`` 的所有代码路径，而不仅仅是默认值情况。
    """
    base = dict(
        group_index=0,
        index=42,
        rollout_id=7,
        prompt="hello",
        tokens=[1, 2, 3],
        multimodal_inputs={"images": ["fake_url"]},
        response="world",
        response_length=5,
        label="42",
        reward=0.75,
        loss_mask=[1, 1, 0, 1, 1],
        weight_versions=["v1"],
        rollout_log_probs=[-0.1, -0.2],
        rollout_routed_experts=[[0, 1], [2, 3]],
        remove_sample=False,
        teacher_log_probs=[-0.3, -0.4],
        status=Sample.Status.COMPLETED,
        metadata={"rm_type": "math"},
        generate_function_path="some.module.fn",
        train_metadata={"loss_type": "policy_loss"},
        session_id="uuid-1234",
        non_generation_time=1.5,
    )
    base.update(overrides)
    return Sample(**base)
​
​
@pytest.mark.unit
def test_to_dict_serializes_status_as_string_value():
    """
    验证 ``status`` 字段（枚举）在序列化时被展平为字符串值，
    以便能安全地穿越 Ray actor 边界（JSON / pickle）。
    """
    sample = _make_sample()
    d = sample.to_dict()
    assert d["status"] == "completed" # 必须是字符串，而非枚举成员
    assert isinstance(d["status"], str)

tests/test_rm_math.py

锁定 math 风格评分器的核心字符串处理函数（brace 计数、LaTeX 归一化），这些函数在被所有 math 类 rm_type 共享，且无其他测试覆盖。

# ---------------------------------------------------------------------------
# 测试 last_boxed_only_string —— 手工维护的 brace 计数器
# ---------------------------------------------------------------------------
​
​
@pytest.mark.unit
def test_last_boxed_returns_last_when_multiple():
    """存在多个 ``\boxed{}`` 时，``rfind`` 应返回最后一个。"""
    s = r"first attempt \boxed{wrong}, final \boxed{42}"
    assert last_boxed_only_string(s) == r"\boxed{42}"
​
​
@pytest.mark.unit
def test_last_boxed_handles_nested_braces():
    """Brace 计数器必须能平衡嵌套花括号，例如 ``\boxed{\frac{1}{2}}``
    不应因内部 ``{}`` 而过早终止。"""
    s = r"answer: \boxed{\frac{1}{2}}"
    assert last_boxed_only_string(s) == r"\boxed{\frac{1}{2}}"
​
​
@pytest.mark.unit
def test_last_boxed_falls_back_to_fbox():
    """若 ``\boxed`` 不存在，函数也应接受 ``\fbox``。"""
    s = r"answer: \fbox{7}"
    assert last_boxed_only_string(s) == r"\fbox{7}"
​
​
@pytest.mark.unit
def test_last_boxed_returns_none_when_missing():
    assert last_boxed_only_string("plain text, no box") is None
​
​
@pytest.mark.unit
def test_last_boxed_returns_none_on_unterminated_box():
    """花括号未闭合 → 括号计数无法平衡 → 返回 None（而非抛出 IndexError）。"""
    assert last_boxed_only_string(r"start \boxed{never closes") is None

评论区精华

该 PR 无 review 评论，由作者自行合并，未产生公开讨论。

• 暂无高价值评论线程

风险与影响

• 风险：主要风险来自测试代码本身可能存在的缺陷（如 mock 不真实或断言不充分）。但新增测试均为纯逻辑验证，不涉及外部依赖，风险较低。CI 工作流调整若拼写错误可能导致测试不被执行，需确认 YAML 格式正确。
• 影响：对用户无直接影响。对系统，显著提升核心数据类型和规则评分器的测试覆盖率，降低未来重构引入静默 bug 的风险。对团队，提供了标准测试范本，便于后续扩展更多测试。
• 风险标记：测试接口易变, CI 配置正确性

关联脉络

• 暂无明显关联 PR