动态采样过滤器

入口：shopsimrl.slime_runtime.fully_scored_group_filter。slime 在 slime/rollout/sglang_rollout.py 的 generate_rollout_async 里调用它。过滤发生在一组 8 条 sibling 全部生成并打分之后，判断本身几乎不耗时；已经付过的生成时间不会退回。

波次都在同一个 slime rollout 内。过滤决定留下哪些 group，不改变随后的训练切分：留下 16 组共 128 条 episode 后，global_batch_size=64 会把它们切成两次优化器更新。

1. 当前旋钮

run_full_train.sh 的默认值：

第一波提交 32 组，目标只留 16 组，所以有 16 个名额的富余用来丢掉 zero-std。run_shopsimrl_slime.sh 单独跑时，over_sampling_batch_size 仍默认等于 rollout_batch_size。

2. 两种丢弃

fully_scored_group_filter 按顺序判定：

1. 技术故障 / 不可评分（shopsim_unscored_technical_group）：keep=False，没有兜底。整组丢掉并补采，不会以 reward=0 进 GRPO。连续失败达到 shopsim_max_consecutive_failed_groups（默认 8）则直接终止。
2. zero-std（shopsim_zero_std_group）：sibling 的 unique-rollout_id reward 全相同（全对、全错、或全是同一个中间值）。GRPO advantage 恒为 0。keep=False，但 keep_when_insufficient=True。

有差异（max(reward) - min(reward) > 1e-6）则留下。比较按 rollout_id 去重，fan-out 分段不算多个样本。

all-wrong group 在过滤前已经写出 trace 和 triage，Failure Analyst 不受影响。

3. remaining 和是否再采一波

remaining_batch_size（下称 remaining）= 已提交组数 − 已丢掉的组数。留下的组不减 remaining。

• 目标 target = 16。
• 外层：len(data) < 16 就继续。
• 内层：remaining < 16 就再提交一整波 over_sampling_batch_size（32）个 group。
• 全部在飞任务处理完时：remaining == len(data)。

slime 是否丢掉一个 keep=False 的组，看 should_drop_dynamic_filter_output：

• 普通留下：不丢。
• keep_when_insufficient=True 且 remaining <= 16：不丢（放行进训练）。
• 其余：丢掉，remaining -= 1。

因此第一波提交 32 组后 remaining=32：

• 有差异的组留下；data 到 16 后，其余完成的组即使有差异也不进训练，还在生成的会被 abort。
• 全 0/全 1 且 remaining > 16 会真丢，这是 over-sampling 真正换掉零优势组的窗口。
• 丢掉 16 组之后 remaining=16，再遇到的全 0/全 1 走兜底，避免再开一波。
• 技术故障始终必丢。只有 remaining 掉到 16 以下才会再提交一波 32 个新 prompt，不是同一组重跑。

4. 第二波之后怎么凑 16

第二波只在第一波丢掉太多（主要是技术故障，或 zero-std 把 remaining 削到 16 以下）时出现。提交的瞬间 remaining 会再次大于 16。

之后谁先完成谁先判：

不是按「谁更有差异」从在飞组里重排。已经进 data 的全 0/全 1 不会被后完成的组踢掉。后一波补的是名额。

例：第一波 32 组里留下 16 组（14 有差异 + 2 兜底全 0），训练 batch 就是这 16 组，不会开第二波。被丢掉的 zero-std 计入 zero_std_group_drop_count。

5. 会不会有第三波

• 前两波加起来，能打分的（有差异 + 全 0/全 1）≥ 16：用兜底把 data 填到 16，没有第三波。其中可以包含 advantage 为 0 的组。
• 能打分的 < 16（技术故障丢得太多）：remaining 会掉到 16 以下，会开第三波、第四波，直到留下 16 组，或连续失败终止。

有 over-sampling 时，全 0/全 1 可以把 remaining 往下削，但削到 16 就会改走兜底，单独不会无限补采。

6. 对时间和梯度的影响

• 过滤判断本身不加 rollout 时间。
• 第一波固定提交 32 组，rollout 墙钟大约按 32 组而不是 16 组计；训练仍吃留下的 128 条 episode。
• global_batch_size=64 把这 128 条切成两次更新（各 8 个完整 group），不改变过滤留下的集合。
• zero_std_group_drop_count 是实际丢掉的组数。over-sampling=32 时，第一波里 remaining>16 的 zero-std 会进入这个计数。
• 两个 drop 指标共用 accepted 分母，各自只计入自己的丢弃数。
• 筛选后留下的 16 组仍偏向有差异；rollout/shopsim/success_rate / reward_mean 改在全部已完成生成上计算，不再被这 16 组带着走。train_group_count 才是进入 trainer 的组数。

相关 W&B 字段见 training_monitoring.md §3.3。