Uma iteração de treinamento pode produzir várias observações: uma perda, um retorno de avaliação e depois uma métrica corrigida. Tratar cada escrita como nova iteração desalinha o experimento; descartar passos repetidos perde informação. EvoRL, o framework de aprendizado por reforço e aprendizado evolutivo, adicionou o registro JSONL local ao main em 12 de novembro de 2026. Um ajuste dos nomes de arquivo chegou em 13 de novembro, horário de Pequim. As mudanças oferecem o histórico original das escritas e uma visão separada, alinhada por passo, para análise.
Ilustração conceitual: preservar cada observação e organizar sua visão combinada por passo de treinamento.
Um arquivo local com o contexto do experimento
Selecionar recorders=[log,jsonl] salva métricas legíveis por máquina junto aos logs comuns sem adicionar um SDK de rastreamento. O guia inicial versionado documenta a configuração compartilhada pelos scripts de treinamento. O backend JSONL recebe projeto, nome da execução, configuração resolvida, tags, caminho de saída e grupo opcional.
A inicialização escreve esse contexto no cabeçalho de metadados. Cada escrita seguinte acrescenta um objeto JSON com o inteiro step fornecido e os data aninhados, e esvazia o buffer do arquivo. O arquivo bruto mantém a ordem de chegada, inclusive passos fora de ordem e escritas repetidas. Ao mover o diretório de saída para outra máquina de análise, configuração e observações viajam juntas em um artefato local legível.
Combinar na leitura, não na gravação
load_jsonl_records(path), exportada de evorl.recorders, lê o conjunto de dados completo e retorna uma lista ordenada por passo. Combina recursivamente os dicionários do mesmo passo: escritas posteriores substituem valores em conflito, mantendo métricas não mencionadas. Arrays são substituídos por inteiro, e um null posterior também substitui o valor anterior. O cabeçalho opcional da primeira linha é ignorado, não incluído na lista de métricas.
Considere a perda de treinamento e o retorno de avaliação escritos separadamente no passo 10, seguidos por uma correção da perda. O arquivo bruto mantém as três escritas. O registro carregado contém a perda mais recente e o retorno de avaliação. Um registro do passo 8 recebido depois aparece antes do 10 na ordenação. Nas curvas de aprendizado, a identidade da iteração vem de step, não da posição da linha nem do número de chamadas de registro.
O que a serialização preserva
A implementação e os testes de regressão cobrem valores NumPy, JAX e pandas. Arrays e Series tornam-se listas. DataFrames preservam colunas e dados das linhas, mas omitem o índice. NaN, infinito e valores ausentes do pandas tornam-se JSON null. Se o índice identifica amostras, transforme-o em coluna explícita antes de registrar; isso decorre diretamente da representação armazenada.
Linhas malformadas ou incompletas geram um erro com arquivo e número da linha. O carregador não descarta silenciosamente um último registro truncado. Ele carrega todo o conjunto na memória, portanto planeje a memória de análise conforme o tamanho acumulado do arquivo. Uma métrica da aplicação chamada step permanece em data, distinta do campo externo de iteração.
Um destino diferente para cada execução
O ajuste compartilha sanitize_filename entre JSONL e os logs criados pelos scripts. Substitui / por _: MetaWorld/Hammer-v3 vira MetaWorld_Hammer-v3. Outros caracteres permanecem iguais e os metadados mantêm o nome original. Os arquivos usam extensões separadas .jsonl e .log. Isso substitui a codificação percentual do primeiro commit; normalizar um nome não garante sua unicidade.
Reinicializar o mesmo caminho JSONL sobrescreve seu conteúdo. Use um diretório ou nome diferente para cada execução, principalmente quando os nomes diferirem apenas em barra e sublinhado. Comece com a configuração acima em uma cópia do código que inclua ambos os commits; carregue um pequeno experimento e confira cabeçalho, combinação dos passos repetidos e destino antes de uma execução longa. O artigo anterior sobre o desenvolvimento do EvoRL explica gradientes, dispositivos e formatos das métricas; esta atualização facilita preservar e reanalisar essas observações localmente.