Fase 5: gate3 - subir max_tokens a 2048 y guardar texto completo de respuestas

Mejoras permanentes al test, no solo para esta corrida:

1. max_tokens: 512 -> 2048 (configurable via GATE3_MAX_TOKENS). Con
--reasoning-parser activo, un modelo de razonamiento puede agotar 512
tokens pensando antes de emitir el contenido final -- la respuesta queda
cortada a mitad de razonamiento y check_adherencia() no encuentra ninguna
substring esperada, un FAIL por presupuesto de tokens agotado, no por
adherencia real. El caso que fallaba en las corridas NVFP4 de Fase 5
(aleleba-pr/adherencia, el prompt mas abierto de los tres) es sospechoso
de este defecto -- el JSON de resultados no guardaba el texto de la
respuesta, asi que no se podia auditar.

2. Guardar content+reasoning completos en cada fila del JSON de resultados
(antes solo se guardaba passed/hits/tool_calls). Permite auditar con
criterio humano cualquier fallo futuro sin tener que re-correr el test.

scripts/33_gate3_adherencia.py

@@ -33,6 +33,11 @@ EVAL_URL = os.environ.get("VLLM_EVAL_URL", "http://localhost:8001")
 EVAL_MODEL = os.environ.get("VLLM_EVAL_MODEL", "qwen3.6-35b-a3b-mcp-bf16")
 PROD_URL = os.environ.get("VLLM_PROD_URL", "http://localhost:8000")
 PROD_MODEL = os.environ.get("VLLM_PROD_MODEL", "qwen3.6-35b-a3b")
+# 512 dejaba cortar la respuesta a mitad de razonamiento en los prompts mas
+# abiertos (modelo de razonamiento con --reasoning-parser activo) antes de
+# emitir el contenido final -- un FAIL por presupuesto de tokens agotado, no
+# por adherencia real. Ver hallazgo de Fase 5.
+GATE3_MAX_TOKENS = int(os.environ.get("GATE3_MAX_TOKENS", "2048"))
 
 # Checklists por skill: (skill, tipo, prompt, [substrings esperados en la respuesta, any-of])
 CHECKLISTS = [
@@ -103,10 +108,10 @@ def call_model(base_url, model_name, prompt):
     payload = {
         "model": model_name,
         "messages": [{"role": "user", "content": prompt}],
-        "max_tokens": 512,
+        "max_tokens": GATE3_MAX_TOKENS,
         "temperature": 0.0,
     }
-    resp = requests.post(f"{base_url}/v1/chat/completions", json=payload, timeout=120)
+    resp = requests.post(f"{base_url}/v1/chat/completions", json=payload, timeout=240)
     resp.raise_for_status()
     data = resp.json()
     message = data["choices"][0]["message"]
@@ -147,9 +152,20 @@ def run_checklist(base_url, model_name, label):
             print(f"  [ERROR] {skill}/{kind}: {e}")
             continue
 
+        # Se guarda siempre el texto completo (content + reasoning) para poder auditar
+        # con criterio humano los casos que fallan -- antes solo se guardaba passed/hits,
+        # lo que hacia imposible revisar despues que dijo realmente el modelo.
         if kind == "adherencia":
             passed, hits = check_adherencia(response, expected)
-            rows.append({"skill": skill, "kind": kind, "prompt": prompt, "passed": passed, "hits": hits})
+            rows.append({
+                "skill": skill,
+                "kind": kind,
+                "prompt": prompt,
+                "passed": passed,
+                "hits": hits,
+                "content": response["content"],
+                "reasoning": response["reasoning"],
+            })
             print(f"  {'OK  ' if passed else 'FAIL'} {skill:20s} adherencia    hits={hits}")
         else:
             passed = check_no_activacion(response)
@@ -159,6 +175,8 @@ def run_checklist(base_url, model_name, label):
                 "prompt": prompt,
                 "passed": passed,
                 "tool_calls": [tc["function"]["name"] for tc in response["tool_calls"]],
+                "content": response["content"],
+                "reasoning": response["reasoning"],
             })
             print(f"  {'OK  ' if passed else 'FAIL'} {skill:20s} {kind:20s} tool_calls={len(response['tool_calls'])}")
     return rows