用途：作为微调流程 Phase 5 的门禁，判断一个训练干净且任务指标提升的检查点能否上线。输入为训练好的检查点、eval-harness-first 生成的 eval/baseline-<model>.json 以及冻结的 eval/drift-suite.yaml；输出 promotion-report.md，含四阶段证据与最终 PROMOTE 或 REJECT 判定，供 /finetune Phase 5 和 /promote-checkpoint 直接消费。
四阶段门禁：一、数据质量门，去重训练集、检查评测金标泄漏、扫描标签噪声，泄漏金标会使后续阶段全部失效。二、留出集与冻结能力漂移套件，重跑 drift-suite.yaml（MMLU/GSM8K/IFEval 加 200–500 条领域相邻样本），与基线逐基准对比。三、与基座的配对竞技场，位置随机化裁判，或全确定性评分时用确定性配对比较变体；留出集胜出但竞技场落败则不放行。四、金丝雀，5–10% 分层放量并自动回滚；仅本地部署可止步第三阶段。
漂移预算：≤1 分视为噪声可继续；2–5 分需换种子重跑后再定；>5 分为硬失败，任务收益不能抵消。RERUN 不是判定，重跑后仍超 1 分即硬 REJECT。样本量由预算推导，n=200 为务实下限，每次判定需报告半宽，小于半宽的差距按 REJECT（不确定）处理。
灾难性遗忘：无管理的 LoRA 微调约损失 43% 知识，基础管理约 10%，回放加 EWC 约 3%；标准缓解是混入 10–30% 通用数据回放。硬失败时按顺序尝试：调整回放比例（换行而非加行）、降低学习率、减少轮数、减小 LoRA rank。该顺序是默认而非定律，单次前后对比属低置信假设。
判定：报告须以 PROMOTE 或 REJECT 结尾，附证据与恰好一条最高杠杆整改建议；REJECT 是正常结果而非错误。本技能不自动重训，整改交回人工在 finetuning-method-selection 或相应训练技能处理。相关技能：eval-harness-first 提供漂移套件与基线，quantized-export 是 PROMOTE 后唯一有效下一步，preference-optimization 与 lora-qlora-recipes 负责学习率与 rank 杠杆，dataset-curation 负责回放混合配方。完整模板见 references/gate-templates.md。