From 2079164cac23128ce1648b358df0203cc4fcbb87 Mon Sep 17 00:00:00 2001 From: cbb <2625274797@qq.com> Date: Tue, 20 Oct 2026 21:52:46 +0800 Subject: [PATCH] =?UTF-8?q?docs:=20=E8=BD=AE=E6=AC=A138=E2=80=94=E2=80=94?= =?UTF-8?q?=E6=94=B9=E6=AD=A3=E6=88=91=E8=87=AA=E5=B7=B1=E5=86=99=E7=9A=84?= =?UTF-8?q?(B)=E5=81=87=E8=AE=BE=EF=BC=9A=E7=BA=BF=E4=B8=8A=E5=AE=89?= =?UTF-8?q?=E5=85=A8=E5=B1=82=E5=8F=AA=E5=81=9A=E7=82=B9=E6=A3=80=E4=B8=8D?= =?UTF-8?q?=E5=90=AB=E4=BD=8D=E7=A7=BB=E7=95=8C=EF=BC=9B=E5=B9=B6=E8=AE=B0?= =?UTF-8?q?=E4=B8=8B=20DAgger=20=E9=87=87=E9=9B=86=E5=90=8C=E6=A0=B7?= =?UTF-8?q?=E6=98=AF=E4=B8=80=E6=AD=A5=E5=8F=A3=E5=BE=84?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- docs/探索日志.md | 8 +++++--- 1 file changed, 5 insertions(+), 3 deletions(-) diff --git a/docs/探索日志.md b/docs/探索日志.md index 61d478b..241090b 100644 --- a/docs/探索日志.md +++ b/docs/探索日志.md @@ -816,10 +816,12 @@ - **反直觉但自洽的一组数**：两段推理**开环更贴老师**（E1-b：0.43 vs 4.33）、**行程比更接近 1**（1.571 vs 2.445）、**到了的题还更快**（1.67 vs 2.31 s），但闭环到达掉 14.8 个百分点。逐题对照：108 题两者都到、**39 题只有 1 步能到、只有 1 题是 2 步独有** ⇒ 不是"换了一批题"，是同一批题里 1 步原本能做对的那部分被卡住了。 - **卡点在安全层不在策略**：刹车从 19.25 → 86.3/题（4.5 倍），未到达组的刹车中位数从 45 → 176（几乎每步都被拒 ⇒ 原地冻结，末态误差 p50 也从 230 → 406 mm）。也就是说**发布的那 57.4% 是与"一步那套偏置且被削弱过的动作"共同标定出来的**：策略、反馈增益、认证口径、DAgger 采集分布四者都围着它。 - **两种解释必须分开，否则下一步会走错**： - - (A) 两段动作确实更危险（位移更大 ⇒ 真的穿模）； - - (B) 认证过度保守（界随位移线性放大 ⇒ 明明安全的更大步也被拒）。 - 判别实验：`--safety 0` 的 steps=1 vs steps=2 对照 + 候选多样性探针（两段积分是否把 K 条候选吸到一起，让安全层没有备选可退）+ steps 的 B=1 代价实测。脚本 `ml/runs/_safetyoff_ab.sh`，结果见下面补记。 + - (A) 两段动作确实更危险（一段更长 ⇒ 真的经过障碍附近）； + - (B) 拒绝来自口径而非几何。 + **先把我自己写的 (B) 改正一次**：线上安全层里没有"位移界随步长放大"这回事——它只做点检（每步的端点 + 中点，`gaps(...).min(-1) > 0`，见 `ml/sim/closed_loop.py` 的 `okstep = ok6[:, :commit_n] & ok6[:, commit_n:]`）。确定性界只在我离线做的连续认证里用。所以 (B) 不可能以"界太松/太紧"的形式成立；能以 (B) 解释的只剩两种：**点检欠采样**（那会让它偏松而不是偏严）与**候选多样性塌了**（两段积分把 K 条候选吸到一起，没有备选可退）。 + 于是判别实验定为三件：`--safety 0` 的 steps=1 vs steps=2 对照（看真实碰撞率差多少 ⇒ (A) 的直接证据）、候选多样性探针、steps 的 B=1 代价实测。脚本 `ml/runs/_safetyoff_ab.sh`，结果见下面补记。 - **对 K-MF 那条训练路线的直接含义**：把角点"训准"会让动作分布变成现在两段那样 ⇒ 按当前认证口径，到达率可能**先降**。所以训练不是下一步，先做 (A)/(B) 判别；若是 (B)，收紧认证（细分/更紧的界）比训模型便宜得多，而且是 50 Hz 也必须的那块。 +- **共同标定的第三处证据（回代码确认）**：`ml/dagger/collect.py:48` 调 `rollout` 时也不传 `steps` ⇒ DAgger 采集的状态分布同样是一步走出来的。所以"一步偏置的动作"同时被三处围着标定：策略微调数据、反馈增益、认证口径。改任一处都要另两处跟上，不能指望"只换推理段数"就白拿 10 倍开环增益。 ## 分支清理（2026-10-20）