用途：experiment-queue 用于在 SSH 远程 GPU 服务器上编排大规模机器学习实验，适合 /run-experiment 不够用的场景，例如 ≥10 个作业需跨 GPU 批处理、多随机种子扫描（如 21 个种子 × 12 个单元）、波次切换、教师+学生链式训练，以及易 OOM 需换 GPU 重试的配置。不适用于单个临时实验、Modal/Vast.ai 部署，或需人工检查两次运行之间结果的实验。
主要能力：通过 manifest 显式定义作业状态；提供作业状态机（pending、running、completed、failed_oom、failed_other、stuck）；支持 stale screen 检测清理（python 已退出但 screen 残留）；OOM 检测后按 delay 重试至 max_attempts；按波次编排，仅当当前波次全部进程退出、无残留 screen 且 GPU 显存低于阈值（默认 500 MiB）时启动下一波；支持 phases 与 depends_on 实现教师→学生等链式流程；支持 grid 笛卡尔积自动展开作业，以及断点恢复。
使用方式：先解析 manifest 或从 grid/自然语言构建；执行 pre-flight（SSH、conda 环境、cwd、前置检查点、GPU 可用性）；将 queue_manager.py、build_manifest.py 和 manifest.json 上传到远程运行目录；以 nohup 分离进程启动调度器，使用 --manifest、--state、--log-dir 参数，不要传 --log；用 jq 读取远程 queue_state.json 监控状态；完成后汇总为本地 summary.md，可选触发分析。恢复崩溃队列时复用已有 RUN_TS 并重跑启动命令，不要重跑引导步骤。
限制：内部已有 60 秒轮询的独立调度器，不要再套一层 /loop 或 CronCreate 轮询，以免与其波次切换逻辑竞态。调度器假定目标环境已按 compute-env-contract 构建校验；若一批作业在 import 阶段即失败，应先检查环境契约而非队列。2026-08 调度器修复前写出的 queue_state.json 中失败作业会被误判为 stuck，需删除该状态文件并从引导步骤重跑。explicit 的 --log 参数未被使用。具体安装或版本信息暂未提供。