# THUDM/slime 2026 第 26 周周报 (06-22 至 06-28)

- 仓库：`THUDM/slime`
- 周期：2026-06-22 至 2026-06-28
- 来源 PR：4
- 重点 PR：4
- 生成方式：自动生成
- 原文链接：http://prhub.com.cn/THUDM/slime/reports/2026-06-22-to-2026-06-28

---

# 执行摘要
本周（06-22 至 06-28）共合并 4 个 Pull Request，涉及 Agent 系统、Rollout 层和后端架构。核心主线是提升 Coding-Agent RL 的工程健壮性与可扩展性，同时通过内部代码同步引入 Teacher Server 丰富训练模式。两个作者（jingshenghang、zhuzilin）各贡献 2 个 PR，分工明确。重点 PR 包括 Agent 多后端选择、稳定性修复、监控修复以及 Teacher Server 集成。

# 本周重点变化
- **Agent 多后端选择**：PR #2125 通过 SWE_AGENT 环境变量引入注册表模式，解耦 Agent Harness 与 Adapter，支持 `claude_code` 与 `codex` 两种实现，默认保持兼容。
- **稳定性修复**：PR #2124 解决 SWE coding-agent RL 训练中会话清理不当、异常处理不完善等问题，新增 `drop_session` 方法分离清理与样本生成，并设置 `rollout_log_probs=[0.0]` 及 `remove_sample=True` 优雅处理中止样本。
- **Rollout 监控修复**：PR #2121 删除 sglang_rollout 中因 reward 类型非浮点（int/dict）而崩溃的平均 reward 统计逻辑，但移除了相关监控展示。
- **架构同步**：PR #2118 从内部同步引入 Megatron Teacher Server（独立 HTTP 预填充与 logprob 服务）和无状态 Adam 优化器，重构 checkpoint 加载流程，并改进 trace 日志。

# 模块与主题趋势
- **Agent 模块**：本周变动最大，涉及配置读取（SWE_AGENT）、会话管理（drop_session）、异常处理（abort_result），体现工程化打磨趋势。
- **Rollout 模块**：仅有一处监控统计删除，说明该模块整体趋于稳定，但 reward 类型处理仍需更健壮的方案。
- **后端架构**：Teacher Server 的引入标志着项目开始支持 teacher-forcing 模式，架构从单一 rollout 向多服务协同演进，但新组件缺少负载测试与监控集成。
- **测试覆盖**：本周所有 PR 均未附带新增测试，尤其 PR #2124 涉及核心路径变更，但无测试验证，风险较高。

# 风险观察
1. **核心路径变更无测试覆盖**：PR #2124 和 #2118 修改了 agent 训练核心逻辑和后端架构，缺乏自动化测试，回归风险较大。建议针对关键流程补充集成测试。
2. **监控指标缺失**：PR #2121 删除了平均 reward 统计，导致该监控盲点。后续应考虑引入健壮的类型转换或统一 reward 格式。
3. **Teacher Server 运维复杂性**：新组件作为一个独立的 HTTP 服务，增加了部署和调试难度，需要明确维护职责与监控告警。
4. **无状态 Adam 行为差异**：StatelessAdam 不维护动量状态，适用于特殊场景，但可能对收敛行为产生影响，需要实验验证。
5. **环境变量配置管理**：SWE_AGENT 等环境变量决定了组件实例化，未设校验或提供清晰错误提示时，错误配置可能导致难以诊断的启动失败。

# 重点 PR 速览
- **PR #2118（ feat: sync from internal ）**：重要性 9.4，是本周最重要的 PR。它引入了 Megatron Teacher Server、StatelessAdam、优化 logprob 计算（避免全词汇表 gather）等。关键函数包括 `sample_from_vocab_parallel_logits_without_full_gather` 和 `StatelessAdam.step`。建议重点学习其高效采样算法和 teacher-forcing 架构。
- **PR #2124（ fix: SWE coding-agent RL stability bugs ）**：重要性 6.3，修复了多项稳定性问题。关键变更：新增 `drop_session`、设置中止样本处理、修复 `int('')` crash。虽然无测试覆盖，但改动经过充分思考，建议精读异常处理模式。
- **PR #2125（ feat: select agent via SWE_AGENT ）**：重要性 5.3，实现 agent 选择扩展。采用注册表 + 环境变量模式，简单优雅，易于扩展。适合作为多后端实现的参考样例。
- **PR #2121（ fix: non-float reward bug ）**：重要性 5.3，修复了非浮点 reward 导致的 crash。但删除了监控统计，后续应重建健壮的监控方案。

# 后续建议
1. **追加测试**：为 PR #2124 和 #2118 补写集成测试，尤其是 agent 异常路径和 Teacher Server 的基本请求响应测试。
2. **恢复并增强 Reward 监控**：设计一个统一 reward 类型转换或使用 `try-except` 的健壮统计逻辑，避免直接删除监控。
3. **建立 Teacher Server 运维规范**：包括健康检查、日志采集和性能基准，确保新组件的可靠性。
4. **环境变量校验**：在读取 SWE_AGENT 等环境变量时增加有效值校验和日志输出，帮助快速定位配置错误。
5. **关注无状态 Adam 效果**：在特定场景（如 sparse gradient 或 online learning）下验证 StatelessAdam 的表现，并更新优化器选型建议。