aituner/docs/harness-ablation/bad-start-stop-counterexample-20260626.md

Bad-start stop counterexample - 2026-06-26

本文记录一次有意构造的 adversarial bad-start 测试。它的目的不是证明 harness 已经 robust，而是攻击当前实现，确认它是否会从明显不合理的初始配置中恢复。

结论：

当前 production/prototype harness 还不能支持 bad-start robustness claim。

它会在高 GPU、高 TP 的坏起点上被 search_high_saturated_by_incumbent 提前 stop，
没有测试 topology/resource-efficiency contrast。

这不是一个需要补 TP=8 -> TP=4 特例规则的问题。它暴露的是更基础的 stop authority 问题：measurement saturation 不能绕过 coverage-relative candidate set。

同时，这个反例也暴露了 measurement policy 的缺口：search.high 太小时，tuning 会被 offered-load ceiling 右截断。后续应该加入 auto_search_high，但它只能在已有 trace sampling space 内自动校准；如果 search.high=1.0 仍然不能压到真实 capacity frontier， 系统必须主动报告 measurement ceiling 不足，并等待人类确认是否更换 trace、提高 trace density 或启用额外负载生成方式。

实验设置

机器：dash1，8x H20。

目标：从一个故意不合理的初始配置开始：

tensor-parallel-size = 8
data-parallel-size = 1
gpu-memory-utilization = 0.5
max-num-seqs = 8
LLM endpoint disabled

期望行为：

• harness 不应只因为 baseline feasible 就停止；
• 它至少应生成 topology/resource-efficiency contrast candidate；
• 对 req/s/GPU 目标，8 GPU incumbent 需要被低 GPU 或邻域 topology probe 验证。

Run A: 低 search.high

第一轮保留原始 search.high=0.125。

结果：

trial-0001 completed
harness-stop-0002
tuning_stop_reason = harness_stop
validator reason = search_high_saturated_by_incumbent
best request_rate = 1.0333 total
best request_rate_per_gpu = 0.1292
pass_rate = 1.0

解释：这个 run 的 offered-load ceiling 太低，baseline 很容易 saturate search.high。 因此它不能区分“配置真的足够好”和“测量上限太低”。

Run B: corrected high search ceiling

第二轮把 search.high 提到 1.0，保留同一个 bad-start 配置，max_trials=3。

远端产物：

session = adv_badcase_corr_casea_20260626T095356Z
store = /home/admin/cpfs/wjh/aituner/aituner/.aituner/adversarial-badcase-corrected-casea-20260626T095356Z
spec = /home/admin/cpfs/wjh/aituner/aituner/.aituner-run-configs/adversarial-badcase-corrected-casea-20260626T095356Z/casea-combined-bad-highsearch.json
log = /home/admin/cpfs/wjh/aituner/aituner/.aituner/adversarial-badcase-corrected-casea-20260626T095356Z.log

结果仍然是在 baseline 后 stop：

trial-0001 completed
harness-stop-0002
no harness-proposal-0002.json
tuning_stop_reason = harness_stop
validator reason = search_high_saturated_by_incumbent
best sampling_u = 0.9375
best request_rate = 8.033333333333333
best request_rate_per_gpu = 1.0041666666666667
pass_rate = 1.0

Probe trace：

sampling_u	request_rate	feasible
0.5	4.6000	true
0.75	6.5167	true
0.875	7.5000	true
0.9375	8.0333	true

它触发 stop 的原因是当前 guard 计算：

binary_probe_resolution = max(tolerance, (high - low) / 2**max_probes)
                        = 0.0625
threshold_gap_to_high = 1.0 - 0.9375
                      = 0.0625

因此当前实现认为 incumbent 已经 saturate search.high。

为什么这是反例

当前 objective 是 SLO-constrained req/s/GPU，不是固定 8 GPU 的 total throughput。 一个 8-GPU incumbent saturate offered-load ceiling，并不能证明：

• 低 TP / 低 GPU 配置没有更高 req/s/GPU；
• 当前 topology 是资源效率最优；
• runtime knobs 已经进入合适 trust region；
• no-LLM harness 能从 bad start 中恢复。

所以这个 stop 是 unsound 的，至少相对于 bad-start robustness claim 是 unsound。

更形式化地说：

search_high_saturated_by_incumbent
  does not imply
incumbent_validated(topology/resource-efficiency)

当目标包含 resource efficiency，并且 parallel-size/topology 仍然 tunable 时， search_high_saturated_by_incumbent 只能作为 measurement evidence，不能单独作为 stop authority。

对新 harness 设计的约束

这个反例直接约束 declarative harness：

1. Stop 前必须生成并持久化完整 CandidateSet。
2. Stop proof 必须引用 candidate_set_hash。
3. 如果存在未覆盖的 high-priority topology/resource-efficiency candidate，validator 必须返回 eligible_candidates_remain，即使 incumbent saturate search.high。
4. search.high saturation 只能更新 measurement coverage，不能替代 incumbent_validated。
5. 对 req/s/GPU objective，required coverage 必须包含至少一个 topology 或 resource-efficiency contrast，除非 StudySpec 明确固定 GPU budget 和 topology。

Measurement policy 约束：

1. auto_search_high 可以根据 trace 的 sampling threshold 和目标 GPU 规模自动提高 search.high，避免低 ceiling 让所有 config 过早 saturate。
2. 自动校准不能越过 trace 原生上限。当前 sampling_u 语义下，search.high=1.0 表示完整 trace。
3. 如果完整 trace 仍然被 incumbent 轻松 saturate，validator 不能假装搜索完成；它应该 输出 measurement_ceiling_insufficient 或把该事实作为 stop proof 的阻塞项。
4. 系统不得自动使用重复窗口、合成 arrivals 或 replay scaling 来扩大 workload，除非 StudySpec 显式启用，或人类确认该实验要测 synthetic/offline stress regime。
5. measurement_ceiling_insufficient 和 eligible_candidates_remain 是不同问题：前者说 load ceiling 不足，后者说 mechanism coverage 未完成。二者任一存在，都不能把结果 写成 bad-start robustness 成功。

这也说明当前 repair 方向不能是：

if tp == 8 and gmu == 0.5: try tp = 4

正确方向应该是：

ordered topology lattice + resource-efficiency objective
  -> candidate set includes lower/redistributed topology contrast
  -> stop is blocked until that coverage unit is measured or invalidated

当前 verdict

当前 production harness：

prototype, not yet fundamental

新的 declarative prototype：

promising substrate, but not production-proven

它已经把 CandidateSet、CoverageUnit、failure region 和 coverage-relative stop 的最小 接口跑通，但还没接入真实 tuning loop，也还没证明 bad-start distribution 的收敛。

因此接下来的 P0 gate 是：

先实现 coverage-relative stop authority，再重跑 bad-start distribution。

2026-06-26 implementation validation

Commit c8a0f98 实现了第一片 production 修复：

• search.auto_high schema，默认关闭，旧配置兼容；
• trial materialization 时在已有 trace sampling space 内 resolve effective search.high；
• trial_spec.json 和 result.json 写入 auto-high / measurement evidence；
• search_high_saturated_by_incumbent 降级为 measurement evidence；
• 对 req/s/GPU 且 topology 可变的 study，high saturation 不能直接授权 stop；
• 固定 GPU product 但 TP/DP redistribution 可调时，仍视为 topology 可变；
• auto-high ceiling 低于 search.low 时不生成非法 search interval。

本地验证：

PYTHONPATH=src python3 -m unittest discover -s tests
Ran 143 tests OK

dash1 validation：

run label = adversarial-badstart-autohigh-c8a0f98-20260626T122622Z
git sha   = c8a0f9870eac5438fb19be8edf1534a893723ab9
machine   = dash1, 8x H20

Spec 仍使用 bad-start：

tensor-parallel-size = 8
data-parallel-size = 1
gpu-memory-utilization = 0.5
max-num-seqs = 8
search.auto_high.enabled = true

Auto-high resolution：

original_high       = 1.0
effective_high      = 0.9979913161468553
trace_max_sampling_u = 0.9979913161468553
reason              = search_high_lowered_to_trace_ceiling

结果：

trial	config patch	best sampling_u	request_rate	req/s/GPU	pass
trial-0001	baseline TP8, DP1, gmu0.5, mns8	0.935616858887	8.00	1.0000	1.0000
trial-0002	tensor-parallel-size=4	0.810867944369	6.95	1.7375	0.9784
trial-0003	tensor-parallel-size=8	0.935616858887	8.00	1.0000	1.0000

关键结论：

旧 failure 已被修复：
baseline 后不再产生 harness-stop-0002/search_high_saturated_by_incumbent。

新实现产生 harness-proposal-0002，并测试 TP4 topology contrast。
TP4 将 best req/s/GPU 从 1.0000 提高到 1.7375。

这证明第一片修复解决了“measurement saturation 绕过 topology coverage”的问题。

但是 trial-0003 暴露了新 blocker：

当前 no-repeat 仍基于 patch signature，而不是 normalized full-config signature。

tensor-parallel-size=8 对这个 study 的 base config 是 no-op，等价于 baseline TP8， 但系统仍把它当成一个新 proposal 执行。这说明下一片 P0 必须实现：

1. normalized full-config signature；
2. CandidateSet snapshot，包含 eligible 和 blocked candidates；
3. blocked reason，例如 blocked_noop_equivalent_to_tested_full_config；
4. Stop/report 中同时呈现 measurement_ceiling_* 和 eligible_candidates_remain。

因此当前 verdict 更新为：

P0 measurement/stop-order slice: passed.
P0 full coverage-relative harness: not yet passed.