执行摘要

• 一句话：移除 GLM-5 L3 nightly 中不稳定的 MMLU two-pass 测试
• 推荐动作：此 PR 为单纯的测试维护变更，不建议深入精读。但值得注意的决策经验：对于小样本评估，精度差异阈值应结合样本量合理设定，或改用 KL 散度等更稳定的指标。

功能与动机

PR body 明确指出 MMLU two-pass 测试在 100 样本评估下 max accuracy-diff 0.02 的阈值过于严格，2-3 道题翻转即可超出，而 GSM8K two-pass 保持稳定。该测试已成为 nightly CI 的 flaky 来源，需要移除以恢复 CI 稳定性。

实现拆解

1. 移除 MMLU 相关配置：在 AccuracyTwoPassMixin （test/registered/radix_cache/unified_radix_tree/test_unified_radix_cache_kl_nightly.py）中删除 mmlu_threshold，num_mmlu_examples，mmlu_num_threads 三个类属性。
2. 移除 _run_mmlu 方法：删除原来用于运行 MMLU 评估的辅助方法，该方法通过 sglang.test.run_eval.run_eval 执行。
3. 移除 test_mmlu_two_passes 测试用例：删除该测试方法，该方法依赖 _two_pass 机制进行精度一致性校验。

关键文件：

• test/registered/radix_cache/unified_radix_tree/test_unified_radix_cache_kl_nightly.py（模块 HiCache 测试；类别 test；类型 test-coverage；符号 _run_mmlu, test_mmlu_two_passes, mmlu_threshold, num_mmlu_examples）: 唯一变更文件，删除了 MMLU two-pass 测试相关的属性、方法和测试用例

关键符号：_run_mmlu, test_mmlu_two_passes

评论区精华

无 review 评论，仅 PR 作者自己合并。但 PR body 中解释了决策依据：0.02 精度差异在 100 样本 MMLU 上过于敏感（2-3 题翻转即超出），而 GSM8K 使用 200 样本则更稳定。KL 覆盖率测试将在后续 PR 中补充。

• 暂无高价值评论线程

风险与影响

• 风险：无技术风险，仅移除一个不稳定的测试。但需要注意：KL 覆盖率测试尚未到位，该 PR 只移除了 flaky 测试，未替换为更稳定的机制。后续修复（如增大样本量或放宽阈值）未在本 PR 中实现。
• 影响：对用户无影响。对系统：GLM-5 L3 nightly CI 将不再因 MMLU two-pass 测试误报失败，提高 CI 可靠性。对团队：暂时失去对 MMLU 精度一致性的自动化监控，需后续通过 KL 覆盖率或其他测试补充。
• 风险标记：测试覆盖下降（MMLU 精度一致性测试被移除）, 后续需补充 KL 覆盖测试

关联脉络

• 暂无明显关联 PR