SkillPoison : Empoisonnement progressif de compétences via des expériences réussies

Ce dépôt fournit l'implémentation de SkillPoison, un pipeline de phase de formation destiné à construire des expériences réussies vérifiées et à les organiser en enregistrements de formation.

Structure du dépôt

.
├── assets/
│   └── framework.png
├── configs/
│   └── main.yaml
├── core/
│   ├── hts/
│   ├── legsa/
│   ├── gctir/
│   ├── utils/
│   ├── config.py
│   └── pipeline.py
├── prompts/
│   ├── legsa/
│   ├── target_audit.txt
│   ├── counterfactual_generation.txt
│   └── counterfactual_audit.txt
├── scripts/
│   └── run_skillpoison.py
├── .env.example
├── requirements.txt
└── README.md

core/ contient l'implémentation de HTS, LEGSA et GCTIR ; prompts/ stocke les modèles de prompts destinés au modèle ; configs/ stocke les paramètres d'expérimentation ; et scripts/run_skillpoison.py est le point d'entrée principal d'exécution.

Installation

Python 3.10 ou une version ultérieure est recommandé.

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Configuration du modèle

Définissez le point de terminaison du modèle avant une exécution réelle :

export MODEL_API_KEY="your-api-key"
export MODEL_BASE_URL="https://your-endpoint/v1"
export MODEL_NAME="your-model-name"

Un modèle de variables d'environnement est fourni dans .env.example.

Configuration

Le fichier de configuration principal est :

configs/main.yaml

Il spécifie le répertoire de sortie, les paramètres du modèle, le comportement cible, le modèle d'embedding, les seuils HTS, le répertoire de prompts LEGSA et les paramètres de formation GCTIR.

Format d'entrée

Le pipeline accepte une entrée JSON ou JSONL. Pour JSON, utilisez une liste experiences :

{
  "experiences": [
    {
      "id": "example_001",
      "category": "category_name",
      "task_text": "task input",
      "solution": "externally verified solution",
      "trajectory": {
        "task_input": "task input",
        "model_output": "recorded successful output"
      },
      "requirement_checks": [true],
      "verified_success": true,
      "output_format": "text"
    }
  ]
}

Chaque candidat doit contenir un id unique, des informations de tâche/catégorie, une trajectoire réussie enregistrée, des résultats de vérification et un format de sortie (text, json ou python).

Exécution

python scripts/run_skillpoison.py \
  --config configs/main.yaml \
  --input /path/to/candidate_experiences.json \
  --out outputs/run

Le pipeline exécute :

Candidate Experiences
        ↓
       HTS
        ↓
      LEGSA
        ↓
      GCTIR
        ↓
Formation Records

--out remplace le répertoire de sortie spécifié dans configs/main.yaml.

Sortie

Une exécution standard écrit :

outputs/run/
├── selection_audit.json
├── formation_records.json
└── run_summary.json

• selection_audit.json : résultats de sélection et de validation des candidats.
• formation_records.json : enregistrements de formation finaux.
• run_summary.json : statistiques d'exécution, configuration et résumé d'utilisation.

Mode Replay

Pour une ré-exécution déterministe à partir d'artefacts intermédiaires enregistrés :

python scripts/run_skillpoison.py \
  --config configs/main.yaml \
  --input /path/to/replay_input.json \
  --out outputs/replay \
  --replay

L'entrée de replay doit déjà contenir les artefacts enregistrés requis par le pipeline.