4. Воспроизведение, публикация на Hugging Face и GitHub

4.1 Разделение публикации по уровням

Публичный учебный материал должен одновременно быть читаемым, воспроизводимым и безопасным. Ресурсы лучше разложить на три уровня:

Команды в документации должны использовать переменные $PROJECT_ROOT, $DATA_ROOT, $MODEL_ROOT и не должны содержать абсолютных путей с машины автора.

4.2 Воспроизведение внешних репозиториев

Из этого каталога выполните:

export ATEC_REFERENCE_ROOT=/path/to/atec-reference-repos
bash code/external_repo_audit/clone_references.sh "$ATEC_REFERENCE_ROOT"

Ожидаемый результат:

$ATEC_REFERENCE_ROOT/logic-tars-atec
$ATEC_REFERENCE_ROOT/zsn2024-atec2026
$ATEC_REFERENCE_ROOT/yma867-atec2026-ril

Этот шаг проверяет только то, что публичные репозитории и зафиксированные commit можно получить. Он не означает, что Isaac Lab установлен и что policy можно запустить на вашей машине.

4.3 Минимальный smoke test

Уровень кода

python3 -m py_compile code/taskd_reference_adapter.py

Это доказывает только корректность синтаксиса Python и структуры файлов, но не правильность поведения робота.

Уровень интерфейса

python3 code/taskd_reference_adapter.py

Скрипт должен вывести, как 16D вход превращается в 24D выход, и какие стадии Task D соответствуют разным значениям оценки. Он не запускает Isaac Sim и не заменяет официальный оценщик.

Уровень симуляции

В уже настроенном окружении Isaac Sim / Isaac Lab сначала запустите одно окружение:

python tools/atec/list_envs.py
python tools/atec/play_task.py \
  --task ATEC-TaskD-B2wPiper \
  --headless --num_envs 1 --debug

Точное имя окружения зависит от текущей версии официального репозитория. В первый раз проверяйте только окно, робота, камеры, shape действий и логи, без длительного обучения.

4.4 Что загружается на Hugging Face

Рекомендуется создать публичный репозиторий наборов данных Datawhale, например:

Datawhale/atec2026-simulation-challenge-reproducibility

Рекомендуемая структура каталогов:

README.md
manifests/
  external_repos.yaml
  checksums.sha256
source/
  taskd_reference_adapter.py
  external_repo_audit/
references/
  logic-tars/
  zsn2024/
  yma867/
logs/
  redacted/
videos/

Снимки сторонних исходников обязательно включают исходную лицензию и upstream commit. Если репозиторий слишком большой, можно загрузить только манифест и патчи различий, а в учебном материале на GitHub дать ссылку на зафиксированный commit upstream.

4.5 Проверка перед публикацией

rg -n -i \
  'hf_[A-Za-z0-9]{20,}|token|password|secret|api[_-]?key|/[h]ome/|/[d]ata/' \
  15-challenges/ATEC2026

Что должно быть в результатах:

• токенов, паролей и приватных ключей быть не должно;
• абсолютные пути машины могут встречаться только в примерах с пометкой «замените на свой путь»;
• локальные абсолютные пути заменяются на $PROJECT_ROOT, $DATA_ROOT или /path/to/...;
• из логов удалены названия приватных серверов, внутренние IP, URL подписок и данные аккаунтов;
• большие файлы передаются через Git LFS или Hugging Face и не попадают в обычную историю Git;
• каждый вес и каждый фрагмент данных имеет SHA256;
• не потеряны лицензия, авторы, ссылки на upstream и зафиксированный commit сторонних репозиториев.

4.6 Как читатель должен понимать результаты

В учебном материале доказательства делятся на три класса:

1. Проверено: исходный код, проверка синтаксиса, хэши файлов, вывод фиксированных команд или локальное видео напрямую это подтверждают.
2. Самооценка автора: рейтинг, время обучения или точность, указанные в README публичного репозитория.
3. Требует воспроизведения: нужны Isaac Sim, GPU, checkpoint или официальный оценщик; сейчас можно указать только путь воспроизведения.

Так не смешиваются в один вывод утверждения «код можно скачать», «policy загружается», «робот двигается» и «задача набрала высокий балл».