执行摘要

• 一句话：TB2 eval 示例改指公共 harbor 分支
• 推荐动作：值得快速浏览：它是一个典型的『文档可访问性』修复，展示了在公共示例中移除私有仓库依赖的规范化做法，并与既有的 swe-agent-harbor 示例形成统一体系。若你的团队需要维护对外公开的实验示例，可借鉴作者『切换指针前逐项核对目标分支能力』的自证流程。

功能与动机

示例放在公共仓库却要求读者从私有仓库 radixark/harbor-private 的 shi/rebase-on-upstream-v0.7.0 分支拉取 agent server，组织外用户无法克隆，文档与示例的可复现性矛盾直接阻碍外部用户使用。与此同时，Miles 的 agent server 集成已存在于公共仓库 harbor-framework/harbor 的 harbor-miles-v0.20.0 分支，且 examples/swe-agent-harbor-docker 与 swe-agent-harbor-daytona 已经指向该分支，因此本 PR 将示例指针统一到同一公共分支，既修复可访问性问题，也保持示例之间的一致性。作者在 PR 描述中逐项核对了目标分支上示例依赖的 miles_agent_server.py 参数、poll-steps 包装器、/api/sessions、89 任务的 registry.json 以及 harbor datasets download --export，确保命令可直接生效。

实现拆解

1. 更新 eval_tb_deepseek_v4_pro.py 的头部文档与参数帮助：模块 docstring 中『harbor-private 的 shi/rebase-on-upstream-v0.7.0 分支』改为『harbor 的 harbor-miles-v0.20.0 分支』；--registry-path 的用法示例由 /path/to/harbor-private/registry.json 改为 /path/to/harbor/registry.json；argparse 中该参数的 help 文本同步改为 Path to harbor's registry.json。
2. 更新 README.md 四处内容：Prerequisites 第 1 步的分支链接改为 harbor-framework/harbor 的 harbor-miles-v0.20.0 分支；第 4 步 registry.json 来源由 harbor-private checkout 改为 that harbor checkout；Run 章节的 --registry-path 命令参数示例同步替换；Tuning 章节中 --max-seq-len 65536 的描述由 harbor-private branch's poll-steps wrapper 改为 harbor branch's poll-steps wrapper，并更新文末链接脚注。
3. 验证与配套说明：作者在目标分支上核对了示例依赖的全部能力，但本 PR 仅变更文档与 docstring，无测试文件增减；README 中的 DeepSeek-V4-Pro 评测数据仍来自旧私有分支，未在新分支上复测，这一点已在 PR 描述中如实声明。

关键文件：

• examples/experimental/eval/terminal_bench_via_agent_server/eval_tb_deepseek_v4_pro.py（模块 评测示例；类别 source；类型 documentation；符号 parse_args）: 示例的核心客户端脚本；模块 docstring 与 --registry-path 参数帮助文本从私有 harbor-private 分支改为公共 harbor-framework/harbor 的 harbor-miles-v0.20.0 分支，虽然无逻辑变更，但这是外部读者最先看到且必须准确的入口。
• examples/experimental/eval/terminal_bench_via_agent_server/README.md（模块 评测示例；类别 docs；类型 documentation）: 面向用户的主文档，集中承载分支链接、环境准备步骤、运行命令与调优说明；本次把 harbor-private checkout 全部替换为公共 harbor 仓库，并更新链接脚注，是外部用户能否复现的关键依赖信息。

关键符号：parse_args

关键源码片段

examples/experimental/eval/terminal_bench_via_agent_server/eval_tb_deepseek_v4_pro.py

示例的核心客户端脚本；模块 docstring 与 --registry-path 参数帮助文本从私有 harbor-private 分支改为公共 harbor-framework/harbor 的 harbor-miles-v0.20.0 分支，虽然无逻辑变更，但这是外部读者最先看到且必须准确的入口。

"""Evaluate DeepSeek-V4-Pro on Terminal-Bench 2.0 via a running ``miles_agent_server``.
​
纯客户端脚本：不涉及训练、Ray 或 Megatron，只负责向已运行的 agent server
并发 POST ``/run`` 请求，并聚合每次 trial 的结果。
​
# 本次指针变更：原文档要求使用私有仓库 radixark/harbor-private 的
# shi/rebase-on-upstream-v0.7.0 分支，组织外用户无法克隆；现改为公共仓库
# harbor-framework/harbor 的 ``harbor-miles-v0.20.0`` 分支，与既有
# swe-agent-harbor-docker / swe-agent-harbor-daytona 示例保持一致。
The agent server is expected to be the one shipped in harbor's
``harbor-miles-v0.20.0`` branch (see that repo's README for setup), running
with ``$HARBOR_TASKS_DIR`` populated with the 89 Terminal-Bench 2.0 tasks.
The server is dataset-agnostic; this script just resolves the 89 task names
from ``registry.json`` and dispatches one ``/run`` request per (task, trial) pair.
​
Usage::
​
    export DEEPSEEK_API_KEY=<your-key>
    python eval_tb_deepseek_v4_pro.py \\
        --server-url http://localhost:8080 \\
        --registry-path /path/to/harbor/registry.json \\
        --n-trials-per-task 4 \\
        --max-concurrent 16
​
"""
import argparse
import asyncio
import json
import os
from collections.abc import Awaitable
from pathlib import Path
from time import monotonic
from typing import Any
​
import httpx
import polars as pl
​
​
def parse_args() -> argparse.Namespace:
    parser = argparse.ArgumentParser(
        description="Evaluate DeepSeek-V4-Pro on Terminal-Bench 2.0 via miles_agent_server.",
        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
    )
    # --registry-path 的路径示例与帮助文本同步从 harbor-private 改为公共 harbor，
    # 用户可直接从公共 checkout 的 registry.json 读取 89 个 TB2 任务名。
    parser.add_argument(
        "--registry-path",
        type=Path,
        default=Path("registry.json"),
        help="Path to harbor's registry.json (used to read the 89 TB2 task names).",
    )
    # ... 其余参数（--dataset-name、--n-trials-per-task、--max-concurrent 等）保持原样
    return parser.parse_args()

评论区精华

本 PR 没有产生实质 review 讨论；唯一的审核意见是 Shi-Dong 的批准『LGTM, thanks!』，未提出任何问题或改动请求。作者在 PR 描述中自证的目标分支逐项核验（miles_agent_server.py 参数、poll-steps 包装器、/api/sessions、registry.json 的 89 个任务、harbor datasets download --export）为无 review 评论的顺利合入提供了依据。

• 暂无高价值评论线程

风险与影响

• 风险：
  1. 评测成绩与分支不一致：README 中的 DeepSeek-V4-Pro 数据是在旧私有分支上测得的，作者明确说明未在新分支复跑，外部用户在新分支上复现时结果可能与文档数字有差异。
  2. 外部依赖稳定性：文档链接依赖 harbor-framework/harbor 的 harbor-miles-v0.20.0 分支长期存在且内容不变，若上游调整分支名或代码，示例将失效。
  3. 未端到端实跑：虽然作者逐项核对了文件与参数，但示例整体未在新分支上实际运行过，命令细节可能与真实运行存在偏差。
  4. 影响面有限：不涉及训练、rollout、模型或核心库代码，回归风险主要停留在文档层。
     - 影响：影响范围限定在 examples/experimental/eval/terminal_bench_via_agent_server 目录，不涉及核心库。对用户：组织外部用户现在可以克隆公共 harbor 分支并按示例复现 TB2 评测，解决了『公开但不可复现』的矛盾。对团队：统一了多个示例对 harbor agent server 分支的指向，降低文档维护分散度。对系统：无运行时行为变化，纯文档与注释改动。
     - 风险标记：评测数据未在新分支复验, 依赖外部仓库分支稳定性, 文档示例未端到端实跑

关联脉络

• PR #2373 docs: NeMo-Gym server no longer needs a fork branch: 同属『文档可访问性』修复：移除对用户不可获取的分支或仓库依赖，改为指向可直接使用的公共来源。
• PR #2220 Add the GLM-5.2 744B x terminal-bench-2 Daytona example: 同一 Terminal-Bench 2.0 / harbor agent 生态的示例建设，共享对外公开的运行指引方向。
• PR #2274 refactor(openenv): move duplicated sandbox helpers into the TB2 recipe: TB2 相关基础设施复用，间接与本例的 harbor agent server 协作，同属 Terminal-Bench 评测工具链演进。