Починить релизный гейт: манифест, слепые интеграционные тесты, ожидание envelope

[Ev0lv3nta]

Первый полный прогон релизного гейта на GPU (RTX 3090, Qwen3.8-27B UD-Q4_K_M) закончился ok: false. Слепой набор при этом не запускался — он заблокирован публичными провалами, так что одноразовый прогон цел.

Из семи заявленных провалов три оказались дефектами самого гейта и один — дефектом продукта.

Гейт не мог пройти в принципе

quality_manifest_mismatch появлялся на любом прогоне. Публикуемый eval_manifest и ожидание quality_gate_failures были двумя рукописными списками ключей; они разошлись — отчёт не печатал min_verified. Гейт падал на сравнении с самим собой, не дойдя до оценки результата, а вместе с ним валился doctor --judge и снимок рантайма. Теперь оба берут evidence_dict() целиком.

integration_tests_failed при коде возврата 5: pytest -m integration не собирал ни одного теста. Интеграционных тестов в наборе не осталось, а гейт продолжал заявлять, что их запускает.

Дефект продукта

Кейс live_envelope_squared_number падал с acceptance_result_mismatch, хотя рантайм возвращал ровно то, что нужно: {"num": 5, "squared": 25}. Расходилось ожидание — планировщик писал в expected исходники Lua ({"num": "return 5", "squared": "return 5 * 5"}) вместо значения, которым envelope вычисляется. Валидация сообщала расхождение честно, но исправить его было нечем: неверен был план, а не код, и ревизия кода тут бессильна.

Тем же классом ошибки объясняется падение smoke: на запрос «верни nil, если массив пустой» планировщик объявлял nullable: false и тут же писал acceptance-кейс с nil.

Что сделано

• eval_manifest и ожидание гейта берутся из одного источника; расхождение закрыто регрессионным тестом.
• Возвращены три интеграционных теста — ровно на ту границу, которую скриптовый backend не видит: Pydantic-схема, ставшая грамматикой сэмплирования. Все дефекты структурированного вывода в этом проекте жили именно там.
• В инструкцию планировщика добавлено правило и пример для expected при json_envelope, и связь nullable с кейсом, ожидающим null.
• Наблюдение валидации несёт expected рядом с actual: без него ни ревизия, ни человек в трассе не видят, чем ответ разошёлся с планом.

Проверка

Локально: 211 тестов, ruff, ruff format --check, mypy --strict — зелено. На GPU проверяются интеграционные тесты, smoke и полный гейт до мержа.

[Ev0lv3nta]

Проверка на GPU (RTX 3090, Ollama 0.33.3, Qwen3.8-27B UD-Q4_K_M), коммит d12f0a0:

• pytest -m integration --strict-markers — 3 passed (до правки: 0 собрано, rc=5);
• judge_smoke.sh — ok: true, включая уточнение корня и отказ опасного кандидата (dangerous_stdlib_os_forbidden);
• bench_stability.py — 3 сценария × 2 повтора, stable_case_rate: 1.0, invalid_success_count: 0.

live_envelope_squared_number проходит оба повтора с revision_count: 0. До правки он падал примерно через раз с acceptance_result_mismatch — это и был систематический дефект, а не дисперсия модели.