refactor(benchmark): unify LHTB and SWE-Marathon execution

[huangruiteng]

LHTB and SWE-Marathon duplicated installation, environment setup and continuation while similarly named modes used different execution contracts. Both now use benchmark.runtime.harbor:BenchmarkCodex: one trial-local Codex home, fixed model/provider/skills settings, and explicit plain, native Goal, heartbeat, governed Turn and LoopX Goal modes. Native tasks, feedback, verification and scores remain authoritative.

The runner reuses product thin-heartbeat scheduling, public Turn/session/recovery and native Goal transport. Named agent imports remain thin migration entries; duplicated WEN/fixed-stage runners are removed. Turn requires an independently protected validator and carries the task-workspace approval recorded through the existing configuration API. The envelope now retains that scoped approval; publishing and production gates remain. Cancellation drains scheduler/worker/host processes and retains receipts. Source staging archives the verified immutable SHA even if the branch moves; a real Git regression covers the race. Core Turn CLI defaults to read-only. The benchmark adapter retains the previous runners' danger-full-access default and passes it explicitly to Turn, relying on the native task environment for isolation; callers can select workspace-write or read-only consistently across arms.

Disclosed changes: LHTB uses a trial home instead of a per-wake home; memory generation/injection are disabled; assisted WEN controls are rejected; preflight no longer prepares networking; wake timeout is derived from host timeout. Historical results and withdrawals remain unchanged. Consumers of retired runtime directories, including #4439, must adopt the shared entry. Rollback uses the previous revision with new trials.

Validation: 250 focused Python cases (one 1-second fixture timeout passed on isolated scheduler-suite rerun), 14 TypeScript envelope tests, TypeScript typecheck, lint, shell syntax and native Harbor config parsing. Real Harbor 0.5/Docker/Codex 0.153.4 synthetic trials exercise all modes, with separate native reward and runtime receipts; LoopX Goal reached the task postcondition before its active Goal timed out. Real start/resume/fresh calls prove session identity reuse/replacement. A baseline/head process test reproduces the old cancellation leak and verifies its removal; omitted-option sandbox and prompt comparison retains baseline behavior. Harbor 0.23 import/config compatibility is also covered.

This is the research RFC §11 native bridge/adapter slice, not a full LHTB/SWE-Marathon evaluation or uplift claim. No frontend or Lark editor configures the affected headless Codex sandbox; their entrypoints are unchanged. Final CI and exact-head review are required. Runtime/control-plane changes are left for maintainer merge.

[huangruiteng]

Approval conclusion (author-owned PR; GitHub blocks formal self-approval): reviewed exact head 5fd33d0035591c179ecc2246c3f4a7d8369f6337, no blocking findings in the contract/adapter half; CI was still running when I reviewed and the real Harbor trials are author-reported — both named below. Merge remains the maintainer's decision.

动机

LHTB 和 SWE-Marathon 各自带一套安装、环境准备和续跑代码，而"看起来同名"的模式其实执行契约不同——同一份 turn/session/cancellation 逻辑存在两份副本，意味着在任何一边修好，另一边会静默漏掉；更具体的是，scheduler 取消时会漏掉一个 detached worker。这个切片是研究 RFC §11 的 native bridge/adapter 部分：把两者收敛到一个 benchmark.runtime.harbor:BenchmarkCodex，显式列出 plain / native Goal / heartbeat / governed Turn / LoopX Goal 五种模式，并删掉重复的 runner。它不是"再包一层"，而是净删约 4000 行；native 的 task/feedback/verification/scoring 仍然归 benchmark 所有。我判它是 goal_achieved（就该 RFC 切片而言），因为它闭合了条目本身，而不是留半个契约。

改动思路

产品侧只开了三个最小的缝，其余全部复用产品既有代码：

1. 把已解析的作用域批准带进 Turn 信封。turn_envelope.ts 原本丢掉了 quota 已经解析出的 checkpointed_boundary_authority，结果只剩 bootstrap 的批准要求，把已授权的执行卡住。现在按严格的形状拷贝（schema 必须等于 checkpointed_boundary_authority_v0、active_count 必须是正整数、最多 16 个 1..180 字符的 scope），并且不动 requires_parent_approval——测试同时断言了这两件事，也就是"携带批准"不等于"放开其他闸门"。
2. sandbox 变成一个显式选择。核心 CLI 的默认值仍然是 read-only，新增 danger-full-access 作为显式选项，help 文本明确要求调用者自备隔离；同时说明该设置对新会话和 resume 会话都显式传入（这是相对旧行为的披露之一）。
3. 取消时排干进程树。process_runtime.py 把终止从"只在超时/超输出时触发"改成"任何 BaseException 都触发"，宽限期变成参数（外部 scheduler 传 10s），清理移进 finally；external_scheduler_worker.py 把 SIGTERM 转成 KeyboardInterrupt。这是那条"baseline 复现泄漏、head 验证消除"的落点。

具体改动

44 个文件、+2084/-6086（净 -4002）：11 个删除（重复的 turn/modes/fixed-stage runner 与 no-sandbox wrapper）、8 个新增（共享 runtime 包与其 366 行测试）、25 个修改——其中只有 5 个是产品文件：quota/turn_envelope.ts +16、turn_driver/codex_cli.py +14/-1、extensions/process_runtime.py（参数化 + finally）、cli_commands/turn_registration.py +2、scripts/external_scheduler_worker.py +5。其余是 benchmark 适配器、RUNTIME.md、五臂 SKILL.md 与 RFC 双语检查点。

关键代码讲解

boundary()（turn_envelope.ts:330）：只在 schema_version 匹配、active_count > 0 且至少有一个合法 scope 时携带字段，其余情况信封与 baseline 逐字相同——测试对 active_count: 0、未知 schema、181 字符 scope 三种形态各断言一次 deepEqual(baseline)。

_prompt / run_codex_cli_host（codex_cli.py:348、:719、:817）：新增的那句提示把批准限定在 active_write_scope 内，并明说其他 scope、publish 与 production 仍走各自的闸门；except BaseException: _terminate_process(proc); raise 保证取消时不留下活着的子进程；sandbox 校验改为枚举错误信息。

_terminate_process_tree / run_capped_process（process_runtime.py:74、:99）：POSIX 按进程组 SIGTERM→宽限→SIGKILL，宽限可配；except BaseException 包住主循环，finally 里 join 线程并关闭流。

BenchmarkCodex（harbor.py:53）：两个 benchmark 现在共用同一个执行入口，trial-local home、固定 model/provider/skills、五种显式模式都收在这里；被删掉模块的调用方通过保留的薄迁移入口（agents/*.py）继续可用。

对主干的风险

CI 在我评审时还没跑完，所以不要把这一条读成绿灯。 gh pr checks 4671 当时是 7 pass / 12 pending / 0 fail（stage2c 的 mutants/e2e/installed、test-shard 1-4、kernel-static-checks、node 两种兼容性、windows、build、dashboard-acceptance 都还没结束）；这个 head 是在我评审前 1 分钟推上去的。PR 自己写着"Final CI and exact-head review are required"，我在结构化证据里把 repository_required_checks 记成 **unverified（pending）**而不是 pass——上次我在 #4669 上把没验证的检查写成 pass，这次不再重复。

我实际跑过、可以依赖的部分： benchmark/tests/test_shared_codex_runtime.py + tests/test_loopx_turn_codex_cli.py + tests/test_loopx_turn_driver.py → 120 passed / 4 skipped in 81.88s；tests/control_plane_ts/turn_envelope.test.ts → 14 passed / 0 failed。新套件里包含取消回收（test_scheduler_cancel_reaps_detached_worker_host_and_keeps_receipt）、超时保 receipt 并回收子进程、baseline/treatment 共用同一个 Harbor 入口、以及 fresh wake 共用环境而不复制 session。

我没能复现的： 真实 Harbor 0.5 / Docker / Codex 0.153.4 的 synthetic trials、baseline/head 的进程泄漏复现、Harbor 0.23 导入兼容性——这些都是作者报告。也就是说"每个模式在真实 arm 下产出一致结果"这一层我没有独立证据；PR 也明确不把这当作评测或 uplift 声明。

两处值得记一笔（都是 P3，不是阻塞）：

• body 里那句"Core sandbox default remains read-only"容易被误读。 它对核心 CLI 成立；但 benchmark 适配器仍然默认 danger-full-access（runtime/codex.py:21、harbor.py:53、worker.py:206，容器隔离内）。我核对了 base：codex_host.py:66 与 run_mode.py:80 本来就是 full access，所以这是保持原样、不是新的提权；但建议在 body/RUNTIME.md 里点明 benchmark 默认值，别让读者把两件事混成一句。
• 与 #4439 的合并顺序。 两个 PR 都改 benchmark/swe-marathon/agents/ 下同样四个模块，本 PR 还删掉了 #4439 分支仍在携带的 runtime/**；#4439 自 09-15 起没动过，合并后它需要 rebase 到共享入口。PR 已经披露了这一点，所以这属于给你排序的提示，而不是这里的缺陷。

我的整体评价

形状是对的，而且是这个方向上少见的"删得比加得多"：一个执行入口、五种显式模式、被删模块留薄迁移入口而不是兼容包装、产品侧三个缝各自都是最小且 fail-closed（携带批准不放开其他闸门、显式 sandbox 不动默认值、取消时排干进程树）。披露也做得实在：trial home、memory 关闭、assisted 控件拒绝、preflight 不再准备网络、wake 超时来源、resume 会话显式传 sandbox，都写在"Disclosed changes"里。

我给的是契约与适配器这一半的批准结论；合并前请等 CI 跑绿（review 手记里记的是 pending），并按上面两条把 benchmark 默认值的表述与 #4439 的顺序处理掉。合并与否是你的决定，这条评论不构成合并许可。

English verdict: APPROVE — at 5fd33d0035591c179ecc2246c3f4a7d8369f6337 one shared Harbor adapter replaces the duplicated LHTB/SWE-Marathon runners, the three product seams are minimal and fail-closed (a carried scoped approval that provably cannot lift requires_parent_approval, an explicit danger-full-access choice with the core default still read-only, and cancellation that reaps the process tree), 120 focused Python cases and 14 TypeScript envelope cases pass locally including the cancellation/timeout reaping cases; the required CI run was still in flight (7 pass / 12 pending) and the real Harbor/Docker/Codex trials remain author-reported, and #4439 will need a rebase onto the shared entry.

[huangruiteng]

Request changes conclusion (author-owned PR; GitHub blocks formal self-review)

Reviewed head: 587b48c25a7087df4e86d2e3c298d2757b67aead

动机

本 PR 解决 LHTB 与 SWE-Marathon 在安装、环境、会话和续跑规则上的重复实现。验收对象是可复用的原生 Harbor 执行路径及受控模式选择，依据 研究 RFC §11 的 native bridge/adapter 边界；不是长程能力提升或全量 benchmark 成绩。仅共享二进制安装无法消除 home、session、失败恢复的差异；另建产品 capability 又会重复现有所有权，因此共享研究 runtime 的范围合理。

改动思路

原生 job → BenchmarkCodex → trial home/phase → shared worker → 产品 heartbeat、Turn 或 native Goal → 原生 verifier。Harbor 保留任务、阶段、反馈和评分；核心保留 quota、session、事务恢复和结算。runner 仅保存尚未完成的 Turn 调用身份，失败后请求核心恢复，不另建状态机。工作目录授权通过既有 configure-goal --boundary-authority-scope 记录，envelope 携带已批准 scope，publish/production 的 gate 保留。

研究 RFC、现有 LHTB adapter、SWE runtime、核心 native Goal、Turn 和 external scheduler 均已对照。旧 agent import 保留为薄入口，复制的 Goal 状态机与 WEN/fixed-stage runner 已删除；历史实现可按原 revision 检查。相关 #4439 的 TB4 调用者需要迁移到共享入口；#3412 的事务恢复继续由核心拥有。

具体改动

44 个文件，约 +2142/-6087，主体是共享研究 runner 和重复实现退役，另有聚焦的核心修复、测试、配置及中英 RFC 检查点；没有提交运行日志、轨迹或私有状态。

关键代码讲解

• BenchmarkCodex._stage_source/_prepare_phase：宿主 import、已提交 Git snapshot 和容器安装保持一致；经公开 CLI 初始化 trial Goal、记录工作目录批准并添加原生 phase Todo。
• worker.run_once：同一 trial 的 provider/model/skills/config 固定，fresh 新建会话，resume 使用核心兼容会话；失败事务保留身份，使用 --resume-turn-key --retry-failed-turn。native Goal 复用已安装 transport，超时保留观察到的 receipt。
• turn_envelope.ts::boundary 与 Codex _prompt：保留 quota 已解析的 checkpointed scope；无批准、未知 schema、无 active scope 时不增加授权。新 sandbox 选择必须显式传入，默认仍为 read-only。
• run_capped_process / external scheduler：取消时向 worker 传递信号，给予清理宽限，回收独立 host 进程组；共享 runner 的 session 汇总避免重复累计，远程日志在填充 context 前下载。

LHTB launcher/preflight、SWE compatibility entry/config 和旧五臂指南都指向当前跑法。LHTB 从 per-wake home 改为 trial home、关闭 memories、退役 assisted WEN、分离 preflight/网络 prepare，均已明示。CLI 是受影响的产品入口；已检查 apps/packages，未发现配置该 headless Codex sandbox 的 frontend/Lark editor。

对主干的风险

没有发现尚未修复的阻断代码问题，但最终提交的 required CI 尚未完成，批准证据仍不完整。最终审查修复了 staging 再次解析 HEAD 的竞态：即使读取 SHA 后分支移动，归档仍绑定原 SHA；21 项共享测试包含该真实 Git 回归。主要风险是有意的研究环境迁移、旧消费者的配置适配，以及误把进程成功/原生 reward 当成 Turn 成功。验证原样保留后续 typed-result failure 和 active Goal timeout，未将它们改写为成功，也未更改评分。

最强反例已执行：旧代码在取消后仍产生子进程写入，修复后没有；旧 envelope 丢失已有批准，新测试在 baseline 为 13 pass/1 fail，在当前实现为 14 pass。默认 sandbox 和无批准时的 prompt 在 baseline/head 一致；TS 测试覆盖批准存在、缺失、inactive、未知 schema，其他 gate 保留。真实 Codex 三次调用证明 start/resume session 相同、fresh session 不同。

语义与 CI 对齐

本 PR 复用既有 Turn、checkpointed authority 和 native Goal 词汇，没有创建新的 actor/权限生命周期。模式组合和 argv 在输入处校验；验证/结算是强制规则，scope 说明不能自行创造批准。

本地覆盖 250 个 Python case（组合运行有一例 1 秒 fixture timeout，独立重跑 scheduler 的 6 项全部通过），14 项 TS envelope 测试、TypeScript typecheck、lint、shell 和 native Harbor config 解析；33 个当前变更文件的公开边界扫描通过；Linux Python 3.12 / Harbor 0.5 环境的 21 项共享测试也通过。真实 Harbor 0.5 / Docker / Codex 0.153.4 完成各模式合成任务。Turn fresh/resume 使用 e6c023ca9，与最终 head 的运行代码完全一致，随后补充文档，并将归档对象从 HEAD 锁定为已记录 SHA；该最后一行行为修复有真实 Git 分支移动回归覆盖，稳定 HEAD 下的其余已验证路径不变。未跑完整 LHTB/SWE-Marathon 或非 Docker backend，未作公平性、统计显著性和 uplift 结论。

我的整体评价

共享路径交付了请求的工程整合；保留不同控制模式的真实责任差异，同时删除了重复规则。强制逐字保持历史跑法会保留实验混杂，明确迁移并保留历史 provenance 更合理。当前 main 的新增文件与本 PR 没有路径重叠；合并前仍需按仓库规则核对最新 base 和 exact head。

REQUEST_CHANGES：当前唯一阻断是最终提交的 required CI 仍有排队/运行项，并非要求扩大代码改动。待 CI 完成后，应读取该 head 的最终结果并复核后再批准；此 PR 涉及 runtime/control-plane，留给 maintainer 合并。全量研究评测、TB4 消费者迁移和非 Docker 实际执行不在本次验证结论内。

English verdict: REQUEST_CHANGES — 587b48c25a7087df4e86d2e3c298d2757b67aead. The implementation and local/real-Harbor conformance are reviewed, with no unresolved blocking code defect found. Required final-head CI remains queued/running, so approval is held until those results are read back and this exact head is requalified. Native reward does not erase retained Turn failures or Goal timeouts; full benchmark claims remain out of scope. Maintainer merge required.

[huangruiteng]

Approval conclusion (author-owned PR; GitHub blocks formal self-approval): reviewed exact head 587b48c25a7087df4e86d2e3c298d2757b67aead, no blocking finding. This is an independent audit of the unchanged head after required CI completed; the earlier hold on this PR was explicitly conditional on reading back CI. Merge remains the maintainer's decision.

动机

LHTB 和 SWE-Marathon 各自带一套 Codex 安装、环境准备与续跑实现，而且"看起来同名"的模式执行契约并不相同：同一份 turn/session/取消逻辑有两份副本，任何一边修好，另一边会静默漏掉；具体表现之一是 scheduler 取消时漏掉一个 detached worker。这个切片是研究 RFC §11 的 native bridge/adapter 部分——把两者收敛到一个 benchmark.runtime.harbor:BenchmarkCodex，显式列出 plain / native Goal / heartbeat / governed Turn / LoopX Goal 五种模式，并删除重复 runner。它是净删除而非再包一层，native 的 task/feedback/verification/scoring 仍归 benchmark 所有。

改动思路

产品侧只开三个最小的缝，其余全部复用既有产品代码：

1. 把已解析的作用域批准带进 Turn 信封。turn_envelope.ts 原本丢弃 quota 已解析的 checkpointed_boundary_authority，只剩 bootstrap 的批准要求，把已授权执行卡住。现在按严格形状拷贝（schema_version === "checkpointed_boundary_authority_v0"、整数 active_count > 0、最多 16 个 1..180 字符 scope），且不动 requires_parent_approval——携带批准不等于放开其他闸门。
2. sandbox 变成显式选择。核心 CLI 默认仍是 read-only，新增 danger-full-access 作为显式选项，help 明确要求调用者自备隔离，并说明对新会话与 resume 会话都显式传入。
3. 取消时排干进程树。process_runtime.py 把终止从"只在超时/超输出触发"改为任何 BaseException 都触发，宽限期变参数（external scheduler 传 10s），清理移进 finally；external_scheduler_worker.py 把 SIGTERM 转成 KeyboardInterrupt。

具体改动

44 个文件、+2141/-6086（净 -3945）：删除重复的 turn/modes/fixed-stage runner 与 no-sandbox wrapper，新增共享 runtime 包与其测试，其余为 benchmark 适配器、RUNTIME.md、五臂 SKILL.md 与双语 RFC 检查点。产品文件只有 5 个：quota/turn_envelope.ts、turn_driver/codex_cli.py、extensions/process_runtime.py、cli_commands/turn_registration.py、scripts/external_scheduler_worker.py。

关键符号（行号在本次 head 核对）：

• benchmark/runtime/harbor.py:105 _stage_source：归档对象由 HEAD 改为已校验并记录在案的 head。rev-parse 之后分支再移动，归档仍绑定被验证的 revision——本 head 最后一个提交正是这个竞态修复。
• loopx/control_plane/quota/turn_envelope.ts:332 boundary()：仅当 schema 匹配、active_count > 0 且至少一个合法 scope 时携带字段；其余情况信封与 baseline 一致。
• loopx/control_plane/turn_driver/codex_cli.py:817 run_codex_cli_host：except BaseException: _terminate_process(proc); raise 保证取消/异常不留下活着的子进程；sandbox 校验改为枚举错误信息。
• loopx/extensions/process_runtime.py:199 run_capped_process：try/except BaseException/finally 保证任何路径都终止进程树、join 线程并关闭流。
• scripts/external_scheduler_worker.py:566：SIGTERM → KeyboardInterrupt，使 worker 经 capped-process 清理路径退出。

我实际复跑、可依赖的部分

• benchmark/tests/test_shared_codex_runtime.py → 16 passed / 5 skipped；pytest 与 stage2c (mutants 0) / stage2c-correctness-e2e 在本 head 的 CI 里均为 pass。
• 归档竞态：新回归测试在本地因 harbor 包不可导入而 skip，所以我用独立复现验证了不变量本身——同一仓库里 git archive <sha> 得到 orig，git archive HEAD 得到 succ；这正是该提交修掉的 TOCTOU。
• 语义对齐：--codex-sandbox 新增值是加法且默认仍 read-only；无批准/未知 schema/inactive 时信封与 baseline 逐字相同；benchmark 适配器（harbor.py:53）继续用 danger-full-access，相对 base 是保持原样而非新提权。

对主干的风险

CI 本轮已读完并基本通过：Sign-off、build ×2、changes、checks、dashboard-acceptance、dependency-review、kernel-static-checks、merge-gate、node-forward/minimum-compatibility、postgresql-authority（真实 server）、pytest、stage2c（e2e 1/2、installed、mutants）、stage2c-correctness-e2e、test-shard 1-4、windows-powershell 全部 pass；唯一仍在跑的是已声明 non-blocking 的 sonar / SonarCloud analysis。我在结构化证据里把 repository_required_checks 记为 verified，并把这一例外写在 skip/failure 字段里，而不是笼统写成"全绿"。

其余边界：

• 本 head 落后 main（BEHIND）：合并前必须更新分支，而更新会重启本次 exact-head 评审——这条批准只覆盖当前 head。
• 真实 Harbor 0.5 / Docker / Codex 0.153.4 的 synthetic trials、baseline/head 进程泄漏复现、Harbor 0.23 导入兼容性都是作者报告，我没有独立复现；PR 也未把它当作评测或 uplift 声明。
• #4439 改同一批 benchmark/swe-marathon/agents/*，本 PR 还删除了它仍在携带的 runtime/**，合并后需要 rebase 到共享入口；PR 已披露。
• body 里"Core sandbox default remains read-only"容易被误读：它对核心 CLI 成立，benchmark 适配器仍然是 danger-full-access（容器隔离内）。建议在 body/RUNTIME.md 点明 benchmark 默认值。

我的整体评价

形状是对的，而且是这个方向少见的"删得比加得多"：一个执行入口、五种显式模式、被删模块留薄迁移入口而不是兼容包装，产品侧三个缝各自最小且 fail-closed（携带批准不放开其他闸门、显式 sandbox 不动默认值、取消时排干进程树）。披露也扎实：trial home、memory 关闭、assisted 控件拒绝、preflight 不再准备网络、wake 超时来源、resume 显式传 sandbox 都写在 "Disclosed changes" 里。最后一个提交把我在上一轮指出的 staging 竞态真正修掉了，而且带真实 Git 回归。

我给出的是代码与验证这一半的批准结论；合并前请先更新分支以解除 BEHIND，并知悉该更新会使本次评审失效、需要重新评审。这条评论不构成合并许可。

English verdict: APPROVE — at 587b48c25a7087df4e86d2e3c298d2757b67aead one shared Harbor adapter replaces the duplicated LHTB/SWE-Marathon runners; the three product seams are minimal and fail-closed, the last commit closes the source-staging TOCTOU by archiving the verified SHA (independently reproduced: by-sha=orig vs by-HEAD=succ), and required CI is now complete and green with only the declared non-blocking Sonar job pending. Residual: real Harbor/Docker/Codex trials remain author-reported; the branch is BEHIND main so an update is required and will restart this exact-head review.

[huangruiteng]

Approval conclusion (author-owned PR; GitHub blocks formal self-approval)

审阅对象：PR #4671（已合并），exact head 57285915b1de94df425182fb157be5692e9ae12f（作者 huangruiteng），merge commit d5bf42a2930c97987f3f5bb89388cedfb320cb6d，2026-09-18T02:39:02Z 合并。本文是该 exact head 的 post-merge audit。

动机

LHTB 与 SWE-Marathon 各自实现了一遍安装、环境准备与续跑逻辑，而且"同名模式"在两个家族里的执行契约并不一致。这既让结果不可比，也让每个修复必须做两遍。本 PR 让两个家族共用 benchmark.runtime.harbor:BenchmarkCodex：一个 trial 内唯一的 Codex home、固定的 model/provider/skills，并把差异留给各家族的配置。

改动思路

这是一次以删除为主的收敛：新增 benchmark/runtime/{harbor,codex,codex_offline,planning,worker}.py（harbor.py 680 行）承载共享实现，删掉 LHTB 的 runtime/wake_once.py 与 SWE-Marathon 的 runtime/modes/*、runtime/turn/*（合计约 6000 行）。原生 datasets、tasks、environment、feedback 与 verifier 设置仍归各家族所有，共享的是执行契约而不是数据。配套还有三处产品侧的运行时修正：可配置的进程终止宽限 + 取消时保证清理；把已解析的 boundary authority 带进 Turn envelope；把 seeded task entry 与 planning checkpoint 分开并显式化。

具体改动

55 个文件、+3197/-6129（净 -2932）。

• benchmark/runtime/harbor.py：trial 内只建一个 Codex home；暂存源码从 git archive ... HEAD 改为 git archive ... <resolved head>，即固定到已核实的 revision，避免 HEAD 漂移影响可复现性；不上传 checkout、实验产物或 trajectory。
• loopx/extensions/process_runtime.py：终止宽限从常量改为参数；等待循环包上 except BaseException → 终止整棵进程树后重新抛出，线程 join 与流关闭移入 finally，超时/截断/取消都不会留下孤儿进程或泄漏管道。
• loopx/control_plane/quota/turn_envelope.ts：把 quota 已解析的 checkpointed_boundary_authority 原样带入边界载荷——此前被丢弃，导致只剩 bootstrap 要求、已授权执行被卡住；转发前校验 schema_version、active_count 与 scope 字符串边界。
• 任务入口显式化：--task-entry 采用闭集选择，默认 seeded-todo，loopx-planned 为可选项，并在配置注释与文档中写明。

在合并 head 上复现的验证：benchmark 测试 41 passed / 13 skipped（跳过项需要真实 Harbor 环境）；tests/control_plane/test_task_planning.py + tests/test_loopx_turn_codex_cli.py 39 passed；tests/control_plane_ts/turn_envelope.test.ts 14 passed；tests/extensions/test_process_runtime.py + test_extension_runtime.py 65 passed。内容完整性：merge commit d5bf42a29 的父提交为 d8e7af141(main) 与 57285915b(PR head)，按作者提交落地。公私边界扫描未发现私有路径、凭据或内部链接；.env.example 只是移除了已退役的 LOOPX_WAKE_TIMEOUT_SEC。

对主干的风险

最大风险是"统一执行契约会悄悄改变 trial 语义，而单元测试照样通过"。缓解有三层：暂存源码固定到已核实 revision 并保留可追溯的归档；执行契约写入 benchmark/runtime/RUNTIME.md；任务入口从隐式变为显式选择（默认 seeded-todo，loopx-planned 需显式开启）。评分、聚合、榜单与提交行为均未改动，家族配置在同一 diff 内更新。

配套的产品侧改动我已经逐项看过：进程终止的清理路径把 join 提前到 process.wait() 之前，不会死锁（读者线程随管道 EOF 结束，进程并未等待我们）；turn_envelope 的转发只做校验与截断，不会扩大已解析的授权。需要如实写下的证据边界：本轮没有启动任何真实 LHTB/SWE-Marathon 作业，13 个 benchmark 测试因缺少 Harbor 环境被跳过，因此"与旧 runner 端到端等价"这一点并未被证明，只能依靠 provenance 固定与归档修订来兜底；PostgreSQL 集成套件同样未跑。这符合本仓库"不启动 benchmark 作业"的约束。此外该 head 合并没有留下绑定到它的评审记录，本文补上。

我的整体评价

结论 APPROVE。这是本轮合并审计里最有价值的净删除：约六千行重复 runner 被一个共享实现取代，同时把最容易被忽略的可复现性问题（暂存源码跟着 HEAD 漂移）一并修掉，并把任务入口从"同名不同义"变成显式选择。三处产品侧改动都小而可验证，其中"取消时终止整棵进程树并清理"与"把已解析授权带入边界"都是实打实的行为修复，而非重构副作用。唯一未闭合的是端到端 trial 等价性——这属于需要真实 Harbor 的验证，超出本审计环境，已如实记录为证据边界而非通过项。

English verdict: APPROVE - #4671 at exact head 5728591 consolidates LHTB and SWE-Marathon onto one shared Harbor Codex execution contract, net-deleting roughly three thousand lines (the duplicated per-family mode/turn runners and the LHTB wake module) in favour of benchmark/runtime, and pinning the staged source archive to the resolved verified revision instead of a moving HEAD. The PR head is a parent of merge commit d5bf42a, so the content landed as authored; native datasets, tasks, environment, feedback and verifier settings remain with each family, and no scoring, leaderboard or submission behaviour is touched. The accompanying product-side fixes are small and tested: configurable process-termination grace with guaranteed cleanup on cancellation, carrying the already-resolved checkpointed boundary authority through the Turn envelope (previously dropped, which stranded authorized execution), and an explicit task-entry choice defaulting to seeded-todo. Verified at the merged head: 41 benchmark tests (13 skipped, requiring Harbor), 39 control-plane tests, 14 TypeScript turn-envelope tests and 65 process/extension runtime tests pass; the public/private boundary scan is clean. Evidence boundary stated rather than papered over: no real benchmark job was launched, so end-to-end parity with the previous runner is not proven here. Process note: no review was bound to this head at merge time; this exact-head audit supplies it.