radixark/miles

修复分布式日志 min/max 被平均聚合错误，改为按极值归约

值得精读。这是一个小文件但高信号度的修复：一、它纠正了分布式训练指标聚合中一个容易被忽视的语义错误（局部极值不能跨 rank 平均）；二、评论区对"后缀推断 vs 显式白名单"的取舍是很好的 API 设计案例，最终选择显式策略以保证默认安全；三、merge commit 展示了与 #1927 可变 global batch size 引入的 `(sum, count)` tuple 语义如何共存。阅读时可重点关注 `reduce_gathered_log_dict` 的分支结构和测试对边界（空 gather、键不一致、未知策略名）的覆盖。

colocate 下从主权重重建 bf16 备份，省 129 GB 内存/节点

值得精读。设计上以“master cast + param all-gather 与 step end 逐位相同”作为理论依据，用 init-time 覆盖断言和 opt-in SHA256 校验兜底，是“用计算换内存”的安全范式。建议重点关注 _TensorBackuperMainCast 的 lifecycle 设计、_assert_rematerialize_coverage 的覆盖判据（DDP buffer membership 在 DP>1 下的正确性论证），以及 _validate_rematerialize_param_from_master_weight 中每条 assert 背后的配置组合心智模型。后续跟进 #1588 解除 critic-only fence 与异常安全/分布式失败标志的补强。

新增 Verifiers 环境训练适配器，示例化接入分组奖励 rollout

值得精读。重点看四点：1) 所有权边界设计——Verifiers/Renderers/Miles 三方职责划分，以及"不支持即 400 显式失败"的 fail-fast 模式；2) `_train_client` 中本地 tokenizer 与 Renderers 注册身份的桥接技巧；3) "把集成收口到 examples/、核心零改动"的提交历史，以及 eval-interval workaround 的取舍过程；4) 依赖版本上限（Verifiers<0.2.1）的处理方式——错误信息直接指向 OpenAI pin 冲突，便于后续解锁。该 PR 对后续新增环境连接器有直接参考价值。

保存并恢复 routing-replay 状态，修复 critic 崩溃

值得精读：这是一个典型的进程级单例状态污染 bug，展示了隐式全局状态在 actor/critic 双角色下的陷阱。建议关注 `model_provider` 中状态括号的写法，并考虑后续补组合回归测试。

--critic-save 默认从 --save 推导，修复 PPO critic 检查点静默丢失

值得快速精读。改动集中在 miles/utils/arguments.py 的 miles_validate_args，属于"参数默认值推导"的经典案例：与既有 --critic-load / --critic-lr 回退保持一致的风格，以兄弟目录隔离 actor 与 critic 的状态文件，测试覆盖推导、尾斜杠、显式优先、无 --save 四种边界。对维护 CLI 参数校验的开发者有直接参考价值。

重命名 swe-agent 示例为 swe-agent-harbor-docker，明确沙箱后端

值得快速阅读，作为“目录重命名如何安全落地”的样板：git 重命名保留历史、受限替换代替全局 find-replace、静态路径审计作为无 CI 覆盖时的验证手段。不建议作为核心逻辑精读，因为不含任何行为级变更。

agent-server 调用超时改为可配置，默认 7200s 修复超时倒置

值得精读：虽然只是 2 个文件的示例级修复，但 PR body 对超时倒置的因果链分析（客户端先超时 → trial 记 aborted → 沙箱与并发槽位继续占用 → 整个 GRPO group 被过滤 → 梯度信号损失）非常清晰，是理解 agentic rollout 跨层故障代价的好材料。值得关注的设计决策：权威超时与兜底超时的分层、通过 --extra-env-vars 向 rollout actor 透传配置的通用手法。可结合 #919 与 #2233（同目录后续重命名）一起看示例线的演进。

新增 Daytona 云沙箱 SWE-Agent 示例到 experimental

值得精读。重点看两点：一是 '何时应该放弃自己的启动器而复用兄弟示例' 的决策过程——run.py 因单一参数被移除而整体删除，是一个避免重复维护的好案例；二是 README 中沉淀的实操知识（per-turn 响应上限、raw_reward 与 rewards 的区别、trial 目录 mtime 陷阱）对任何跑 agentic RL 长任务的人都有直接价值。