Uma iteração de treino pode produzir várias observações: uma perda, um retorno de avaliação e depois uma métrica corrigida. Tratar cada escrita como nova iteração desalinha a experiência; descartar passos repetidos perde informação. EvoRL, o framework de aprendizagem por reforço e aprendizagem evolutiva, adicionou o registo JSONL local ao main a 12 de novembro de 2026. Um ajuste dos nomes de ficheiro chegou a 13 de novembro, horário de Pequim. As mudanças oferecem o histórico original das escritas e uma visão separada, alinhada por passo, para análise.
Ilustração conceptual: preservar cada observação e organizar a sua visão combinada por passo de treino.
Um ficheiro local com o contexto da experiência
Selecionar recorders=[log,jsonl] guarda métricas legíveis por máquina junto aos logs comuns sem adicionar um SDK de rastreio. O guia inicial versionado documenta a configuração partilhada pelos scripts de treino. 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 ficheiro. O ficheiro 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 num artefacto local legível.
Combinar na leitura, não na gravação
load_jsonl_records(path), exportada de evorl.recorders, lê o conjunto de dados completo e devolve 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 treino e o retorno de avaliação escritos separadamente no passo 10, seguidos por uma correção da perda. O ficheiro bruto mantém as três escritas. O registo carregado contém a perda mais recente e o retorno de avaliação. Um registo do passo 8 recebido depois aparece antes do 10 na ordenação. Nas curvas de aprendizagem, a identidade da iteração vem de step, não da posição da linha nem do número de chamadas de registo.
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 registar; isso decorre diretamente da representação armazenada.
Linhas malformadas ou incompletas geram um erro com ficheiro e número da linha. O carregador não descarta silenciosamente um último registo truncado. Ele carrega todo o conjunto na memória, portanto planeie a memória de análise conforme o tamanho acumulado do ficheiro. Uma métrica da aplicação chamada step permanece em data, distinta do campo externo de iteração.
Um destino diferente para cada execução
O ajuste partilha sanitize_filename entre JSONL e os logs criados pelos scripts. Substitui / por _: MetaWorld/Hammer-v3 passa a MetaWorld_Hammer-v3. Outros caracteres permanecem iguais e os metadados mantêm o nome original. Os ficheiros usam extensões separadas .jsonl e .log. Isso substitui a codificação percentual do primeiro commit; normalizar um nome não garante a sua unicidade.
Reinicializar o mesmo caminho JSONL substitui o 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 numa cópia do código que inclua ambos os commits; carregue uma pequena experiência 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.