Calibración remota RepoWorld — 14 de octubre de 2026

Intento 1: rechazo local anterior a inferencia

Directorio privado: artifacts/repoworld-remote-calibration-20261014T115920Z. Kaggle: rogeernavarro/echo51-repoworld-calibration32b-20261014, versión 1. Estado final comprobado: COMPLETE. Modelo 32B cargado en las dos T4; errors=[], relay_result.requests=0, relay_result.stopped=true. Preparación remota: 401,135 segundos; worker completo: 409,333 segundos. Cuota observada después: 22,83 h disponibles frente a 22,94 h antes (valores de la API redondeados a centésimas).

El comando falló con calibration environment changed after preflight. Comparar los manifiestos reveló 209 directorios con permisos 0700 frente a 0755. El lanzador privado heredaba umask 077; la extracción de repositorios registra permisos en el hash. No se cambió el código candidato ni se llamó al LLM. El rechazo protege la reproducibilidad: no es un resultado SWE-bench.

La corrección del lanzador fija umask=0o022 para el subproceso, conservando la carpeta privada 0700 y secretos 0600. No modifica las fuentes congeladas, los tests, el contrato ni los resultados previos. La identidad completa de las 36 preparaciones se reprodujo correctamente antes de autorizar el reintento.

Intento 2: gate técnico válido, diff vacío

Directorio privado: artifacts/repoworld-remote-calibration-20261014T121503Z. Mismo cuaderno privado, versión 2; instancia reservada sympy__sympy-19007.

• Preparaciones reproducidas: 36/36 (árbol, runtime y plan público).
• Modelo fijado: Qwen2.5-Coder-32B Q4_K_M; 65/65 capas en dos T4.
• Preparación del worker: 362,765 s; calibración: 364,736 s.
• Worker completo: 735,834 s; estado final Kaggle COMPLETE.
• 51 peticiones de relay (incluyen plantilla/tokenización), 17 generaciones LLM.
• 15.698 tokens totales; 18 herramientas; 8 intentos de parche; 2 tests.
• Auditoría: valid=true, 251 recibos, contabilidad completa, cero reservas pendientes y ningún exceso registrado.
• errors=[] y relay_result.stopped=true; relay/túnel propios detenidos.
• Cuota final observada: 22,62 h. Los dos intentos consumieron aproximadamente 0,32 h según la cuota redondeada, incluida preparación remota.

El resultado del agente fue budget_stopped: agotó ocho intentos de parche. No consiguió publicar un parche sintácticamente aceptado y entregó un diff vacío (SHA-256 e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855). Los registros muestran cursores reutilizados entre consultas incompatibles y parches con contexto no observado. La auditoría cuenta cero parches propuestos aceptados para staging; esto no contradice los ocho intentos facturados. Los dos baselines públicos pasaron. No se ejecutó el oráculo final.

El gate de calibración definido comprueba inferencia real, identidad del worker y contabilidad cerrada; no exige resolver el issue. Pasó ese alcance técnico. No demuestra ventaja de E ni resolución oficial de SWE-bench.

Sellado y siguiente alcance

Se generaron sealed/SWE-CONTRACT.json (status=sealed, launch_enabled=true), sealed/SWE-RUN-LOCK.json, manifiesto de fuentes, materiales y recibo de custodia en el directorio del intento 2. El contrato de diseño en docs/ se conserva; usar la copia sellada al ejecutar. La plantilla del tokenizer procede de metadatos del GGUF fijado; el worker comprobó el SHA-256 completo del modelo. Los materiales no incluyen secretos.

El calendario contiene 150 celdas: 96 primarias, 16 de calibración de brazos, 24 de ablación y 14 de memoria (dos donantes). Las 96 primarias por sí solas no completan el calendario requerido para congelar y evaluar todo el estudio. La campaña completa no se lanzó en esta entrega. Conviene revisar la usabilidad de cursores, el feedback de errores y la generación de diffs antes de consumir horas de campaña; cualquier cambio en fuentes exige renovar gates y sellado. No modificar esta evidencia ni recalificar el episodio ya terminado.

Checklist al terminar

• Autenticación Kaggle sin exponer el token.
• Reproducción local de 36/36 huellas con lanzador corregido.
• Inferencia remota y gate técnico de calibración válido.
• Auditoría del episodio: 251 recibos válidos.
• Parada efectiva de Kaggle y procesos locales propios.
• Cinco compuertas verificadas y contrato/run-lock sellados.
• Parche útil demostrado en esta calibración: diff vacío.
• Campaña de brazos, ablaciones y memoria ejecutada.
• Evaluación oficial sellada y gráficas.
• Ventaja científica y cierre de ECHO-5.1.

Huellas de evidencia

• calibration/report.json: 7e5a76883060d7d151c16b965dd8ac4c61be886e8e1d936f2cc2625858df8f66.
• audit-episode.json: 67a8dbf7290e1d0f500cb658b440cd641fe3fa3e62dfe96d13bb220ee26d7d2b.
• kaggle-output/gpu-proposer-results.json: 03aedd0fc4275c735eb24a4d580a3fd71b6ea56703f6838369c57b0445c35ffb.
• sealed/SWE-CONTRACT.json: da71cf42265db5eef94ba0cb16a420ffb3ea390e42a4935a54df67f9ed44c0ae.
• sealed/SWE-RUN-LOCK.json: d3fc4bed28fc3554cd662d33fe39c10e37690696afce23f78ece60771f4551a7.