该技能用于处理固定的每日 verl + MindSpeed 训练任务，判断结果是否健康、是否存在训练失败或精度回归，并推断最可能的近期提交原因。
主要能力与判定规则：先读取基线比对日志（默认 /home/st_daily_verl/msverl.log）。若日志含 mean abs diff: 且解析值恰为 0，停止并报告成功；若值非零，归类为 accuracy_regression；若含 error, please check log，归类为 train_error；若日志含义模糊，先报告 unknown 并说明缺失证据，不做昂贵操作。
工作流程：对比对日志运行 parse_result_log.py；通过后立即停止。train_error 时对每日训练日志运行 extract_failure_tail.py，只保留末尾高信号错误块；accuracy_regression 时以解析出的 reward 列表和 mean abs diff 为主要证据。随后用 sync_repos.py 同步轻量本地克隆，用 list_recent_commits.py 在默认时间窗口内收集两个仓库的近期提交，再用 rank_candidate_commits.py 排序嫌疑提交；仅在标题和涉及文件不足以解释时，才查看排名靠前提交的 diff。
默认配置：训练日志模式 /home/st_daily_verl/logs/msverl_YYYYMMDD.log；verl 仓库 https://github.com/verl-project/verl.git（main 分支）；MindSpeed 仓库 https://gitcode.com/Ascend/MindSpeed.git（master 分支）；临时克隆缓存根目录 /tmp/msverl-skill-cache；时间窗口为本地前一天 00:00:00 至任务执行时间。
成本控制：除非基于尾部的提取器连续失败两次，否则不加载完整训练日志；先看日志尾部，优先最后 traceback 或最后 ERROR 块；先用标题和涉及文件排序提交再看 diff；每个仓库深度阅读 diff 限前 3 个候选，证据仍弱时可放宽。
预期输出为紧凑报告，包含 status（pass、train_error、accuracy_regression 或 unknown）、time_window、evidence_summary、candidate_repo、candidate_commits、confidence（high、medium、low）和 fix_direction。证据弱时应明确说明，不要强行归因单一提交。可使用 triage_msverl_regression.py 做端到端本地流程，手工验证日志时单独用 parse_result_log.py 和 extract_failure_tail.py，需要未排序的近期提交清单时用 list_recent_commits.py。