fix(benchmark): isolate trial usage sender policy

[loopx-agent]

Repeated LoopX CLI calls can start a detached usage-statistics sender. Benchmark installation/control commands and Codex shell tools did not share an explicit opt-out policy, so inherited environment filtering could leave that sender enabled during research trials.

New trials set LOOPX_USAGE_PING=0 in the shared runtime environment and Codex shell policy for every worker profile, including controls. Install/worker receipts disclose the configured setting. Product defaults, task scoring and feedback rules remain unchanged; existing trial configuration stays pinned. This reduces avoidable detached work and complements the container provider’s child reaping.

Validation:

• Linux source-qualified shared-runtime/SForge tests: 213 passed. Host run: 35 passed, 178 skipped because optional runners are unavailable there.
• Real staged Codex binary in Docker, using a synthetic Responses server: the generated production configuration overrides inherited LOOPX_USAGE_PING=1, and the actual shell tool returns 0; best-only hook delivery on the next model request and session resume still passes. No paid model call or benchmark task was launched.
• Python syntax, diff whitespace and added-line public/private scans passed.

The real-tool probe establishes configuration adoption, not model decision quality or measured throughput. The related refactor pass reused the existing shared environment/configuration builders; a separate policy owner or new switch is unnecessary.

[loopx-agent]

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

Reviewer: model_agent; gpt-6.1-sol; OpenAI; runtime_reported; reasoning_effort=xhigh.

独立评审范围：#6018，head 868f90ddb187f8ce3c94997d93f479d9a4c32b1d，base 20dd1a361db78d8a6d5178fd18c68044d3fcb932。当前登录账号与 PR 作者相同，因此以下 APPROVE 结论以 COMMENTED review 留存，不是 GitHub 的正式自批准，也不代表合并。

动机

执行研究试验、反复调用 LoopX 命令的操作者和 Codex 工作线程会遇到此问题。
旧版安装、控制命令和 Codex 工具没有统一关闭后台统计；同一个真实工具在继承值为 1 时仍读到 1，新版读到 0，避免后续 LoopX 调用启动这一路无用后台工作。
新建试验自动使用一致的关闭策略，覆盖五种执行模式的控制与工作环境，并在真实 Codex 工具中生效；操作者不必逐条补充环境参数。
本 PR 不改变产品统计默认值、评分、反馈或权限，也不修复容器的所有子进程回收问题；已有试验配置保持不可变。
真实长期试验的吞吐、成本和分数收益尚未测量，完整原生 judge 路径也未由本次评审验收。

这里的“后台统计”是 LoopX CLI 可能脱离当前命令启动的使用统计发送器。独立检查现有 loopx/usage_ping.py::begin：显式 0 会在读取统计状态和请求后台发送前返回；合成状态下，继承 1 会到达一次发送请求，0 则没有请求。该探针截获发送接口，未产生真实发送或网络流量。贡献是消除一种反复调用可重复触发的额外工作，不能据此把历史试验失败都归因于统计发送器。

规格依据为改动前已存在的 benchmark/runtime/RUNTIME.md，固定版本 20dd1a361db78d8a6d5178fd18c68044d3fcb932；没有把本 PR 新增 README 文案当作独立验收标准。按原文标题逐项核验：

• Configure the native job：五种模式的执行、LoopX 技能有无和原生会话语义保留；新配置与不可变基线逐项比较，仅新增 shell 环境策略。
• Install and isolate：使用试验内固定配置、避免操作者环境串入；真实 Docker 环境在预设 LOOPX_USAGE_PING=1 时覆盖为 0，产品目录和 source staging 未变。
• Migration and qualification：旧试验不被改写，新配置必须进入新试验；五种模式旧 home 均拒绝设置变化，配置与会话内容原样保留；同一新版本重复准备仍保留历史。合成验证不冒充科学结果。

检索到的既有 repository-experience 建议涉及恢复 RFC 的首个用户旅程，当前修补的是已有研究 runtime 的环境策略，其领域和验收不相同，本次判为无关；没有将建议投递当成经验效用证明。

改动思路

安装、控制和模型工具共用现有研究 runtime，环境策略应在现有配置构造处统一设置，不能依赖每个调用者记住参数。
当前 PR 只为新建研究试验关闭统计发送器，并记录配置策略；保留既有试验的配置固定、会话历史、评分和产品权限边界。

真实路径是 BenchmarkCodex._profile_env → 安装/doctor/控制命令与 _worker_env → SForge 的环境传输；另一条路径是 prepare_codex_home → 固定 config.toml → 真实 Codex 的 shell 工具。进程环境和 Codex 过滤后的工具环境是两个实际边界，单独修一条会漏掉另一条。既有产品 native_codex_profile 已有同类关闭方式，但研究对照模式不能为了读取这条策略而安装完整产品 profile；沿用最近的研究构造入口更合适。

这是原有 Python 研究 provider 的局部修补，没有引入第二套 TypeScript 控制面决策、配置开关、调度机制或新的能力页面。未来维护检查未发现需要伴随抽象或迁移的重复状态规则；两个环境序列化出口保留，各自覆盖实际消费者。

具体改动

七个文件，+47/-10，已读完整 diff：

• benchmark/runtime/codex.py::prepare_codex_home 在生成配置时加入 [shell_environment_policy.set] 与 LOOPX_USAGE_PING = "0"。已有配置字节比较先于写入，设置改变即报错；同版本重复调用保留会话，配置权限仍为 0444。
• benchmark/runtime/harbor.py::BenchmarkCodex._profile_env 添加同一环境值，覆盖安装、doctor、控制及工作环境；安装 receipt 新增 loopx_usage_ping_enabled: false。
• benchmark/runtime/sforge.py::SForgeWorker._install_worker 给工作 profile receipt 添加同一字段。official/single 分支已有调用共享 Codex 配置入口；其他分支已有调用共享 runtime，未增加安装产品的对照污染。
• benchmark/tests/test_shared_codex_runtime.py 对五种模式验证生成配置，并扩展安装 receipt/命令环境检查；benchmark/tests/test_sforge_runtime.py 扩展工作 receipt 检查。
• benchmark/tests/test_edgebench_feedback_docker.py 把真实 Codex 测试接到生产配置构造器，显式继承 1，要求实际工具输出 0；原有 best-only 反馈进入下一请求与会话 resume 的检查仍通过。
• benchmark/edgebench/README.md 明确新试验默认改变、所有 profile 范围、旧试验固定及 receipt 仅记录配置。export_report.py 的现有读取检查不要求此新字段，旧 receipt 不会被补写或解释成已关闭的实际运行证明。

独立验证使用该精确版本源文件，Linux Python 3.12、Docker 29.5.2 arm64，复用缓存镜像，不启动付费模型或 benchmark task：

1. python -m pytest -q benchmark/tests/test_shared_codex_runtime.py benchmark/tests/test_sforge_runtime.py：213 passed，9.56 秒，无跳过。
2. 真实 Docker 的 RecordingDockerBackend → SForgeEnvironment.exec：五模式 × 控制/工作环境，共十条路径，在 UID 1000 下均将继承 1 覆盖为 0，测试容器均已移除。
3. 真实 staged Codex + 合成 Responses 服务：test_codex_hook_enters_next_model_request_and_resume，1 passed，27.72 秒；实际 exec_command 输出 LOCAL_TOOL_OK__LOOPX_USAGE_PING__=0，下一请求反馈与 resume 保留。
4. 回归敏感性反例：保持上述测试及环境不变，仅换成不可变基线的配置构造器，同一工具输出 LOCAL_TOOL_OK__LOOPX_USAGE_PING__=1，在关闭策略断言处失败（1 failed，16.30 秒）；这是预期的反例失败，不是 head 的失败。
5. 五模式新旧配置/环境逐项比较、旧 home 拒绝改写与新 home 重试保留会话、产品统计代码/评分与 launcher 字节不变；六个 Python 文件编译、diff whitespace、公开/私有增量扫描通过，两个提交均有 DCO。

保留失败边界：独立环境传输探针曾因评审脚本 shell 引号错误产生 NameError，修正仅该私有探针后十条真实传输全部通过，先前错误未算成产品故障。作者报告的完整 Docker 模块 native judge 失败涉及外部 JudgeCapacityExceeded 接口；独立诊断当前安装 provider 也缺该符号，但与作者原探针的显式 provider pin 不同，不能称为同命令基线复现。本 PR 的 judge 调用文件未变，本次没有启动该 judge，也没有声称完整模块全绿。按当前策略没有查询、等待 CI。

对主干的风险

默认变化限定在新建研究试验：关闭统计发送器是实际生效的环境设置，不是“建议”。产品默认、Goal、quota、scheduler、权限和评分均未改。它没有防止任务脚本自行改环境的安全权限，也没有授权任何账户或网络操作。receipt 中的 false 是配置投影，不是证明某个历史 solver 已采用、更不是 throughput 或 score 证明。

最需要防的反例是“只改父进程环境，工具过滤后仍启动统计”以及“升级准备时覆盖旧试验历史”。前者已由真实 Codex 的基线失败/head 成功覆盖；后者五模式逐项拒绝并保留原字节。配置变化需要新试验是已有正确性要求，不能为省步骤直接重写运行中 home。回退使用原 runner/config 建立新的试验；继续旧试验仍使用原 pin。任意镜像、长时间压力、真实 judge 全流程、科学分数/吞吐收益未测。

我的整体评价

APPROVE，无已验证阻塞项。这个有界增量有正向价值：同样的试验入口，无需额外参数就能避免一种随 CLI 次数增加的后台发送请求；五模式保持一致，重试不丢历史，对长程稳定性和操作效率有合理的正向预期。已经证明的是配置进入实际工具和控制边界，尚未证明的是实际长期吞吐或分数增益。下一步由研究操作者在新建、固定版本的匹配试验中观察累计成本；已有试验保持原样，不为该观察增设产品控制面。

English verdict: APPROVE - head 868f90d. The existing shared research builders disable the usage sender across setup/control and real Codex tools without rewriting pinned trials or changing product/scoring policy. Independently rerun 213 tests, ten real Docker environment paths and the real Codex hook/resume test; the identical test fails with immutable base configuration. Long-run throughput, score gains and the full native judge path remain unqualified. No merge performed.