Document audit policy and add full kept export

README.md

@@ -113,13 +113,41 @@ python scripts/filtering/audit_native_traces.py \
 python scripts/repurposing/coarse_decompose.py
 ```
 
-构建 5k ModelScope-SWIFT training probe：
+### 模式 A：全量 hard-filter-kept 训练数据
+
+该模式会扫描 Open-SWE-Traces 四个 split 的全部样本，使用
+`scripts/filtering/audit_native_traces.py` 中同一套 hard filter 规则，导出所有未触发
+hard filter 的样本。按当前数据和规则，预期规模约为 190k 条。
+
+全量导出使用流式 JSONL 写入，避免把约 190k 条长 trajectory 全部放进内存：
+
+```bash
+python scripts/repurposing/build_swift_full_kept.py \
+  --input-root data/Open-SWE-Traces \
+  --output-dir runs/training_full_kept_swift
+```
+
+如果需要同时写 gzip：
+
+```bash
+python scripts/repurposing/build_swift_full_kept.py \
+  --input-root data/Open-SWE-Traces \
+  --output-dir runs/training_full_kept_swift \
+  --write-gzip
+```
+
+### 模式 B：5k+500 probe/测试数据
+
+该模式只用于快速训练链路和数据质量 probing，不代表全量训练集。
+
+构建 5k ModelScope-SWIFT training probe，每个 source config 取 1,250 条 hard-filter-kept 样本：
 
 ```bash
 python scripts/repurposing/build_swift_training_probe_5k.py
 ```
 
-构建 500 条 validation split：
+构建 500 条 validation split，每个 source config 额外随机取 125 条，并排除 5k train 中的
+`trajectory_id`：
 
 ```bash
 python scripts/repurposing/build_swift_validation_500.py
@@ -144,4 +172,3 @@ python scripts/repurposing/convert_openswe_to_pi_mono.py \
 ## 输出产物
 
 `runs/` 和 `data/` 默认不进 git。推荐把所有大文件、parquet、jsonl、token 统计、audit report 都留在这两个目录下。
-