#56309 [watermarking hardening] Add e2e test and basic GSM8K quality tests
原始 PR · 作者 tomasruizt · 合并时间 2026-09-14 23:29
测试
重要性 5.53
洞察度 5.00
为水印实现补齐 E2E 检测用例与 GSM8K 质量回归 CI
值得精读：如果你正在为某个新特性设计回归护栏或为 Buildkite 配置定向触发的评测步骤，本 PR 是简洁的样板，尤其是 `source_file_dependencies` 的收敛思路、`autorun_on_main` 的取舍，以及 GSM8K 阈值的 3 sigma 校准方式。重点看 `tests/watermarking/test_watermarking_e2e.py` 中「开/关对照 + golden p-value + 布尔断言」三层结构，以及 TQCB 关于确定性的论证。可以略读：只关心水印算法本身的读者，本 PR 没有任何算法或内核改动，算法细节应回到 #54053 与 RFC #53916。后续建议：(a) 把 `recorded_p_value` 的失败信息增强为打印实际 p-value 与 token 序列长度，降低定位成本；(b) 在 tracking issue #56105 上补一条明确的后续计划，逐步补上 SD/TP2 组合与速度回归；(c) 观察几次 main 构建，确认 GSM8K 阈值不抖动后再考虑收紧容差。