diff --git a/docs/本机执行清单.md b/docs/本机执行清单.md
new file mode 100644
index 0000000..7272f67
--- /dev/null
+++ b/docs/本机执行清单.md
@@ -0,0 +1,53 @@
+# 本机执行清单（给本地 AI 逐条执行）
+
+本文件是 Hark 对本机计算的唯一要求清单。按顺序执行，每一步把「回传」里的文件或输出原样交给用户，不要跳步，不要自行改代码。
+所有命令在仓库根目录（G:\Robot_v2\机器人手臂）的 Git Bash 里运行。完成的条目由 Hark 在下一次提交里删掉。
+
+当前状态（2026-10-19 02:00）：第二次预训练开环已正常（候选多样性 0.65、8 候选最好 2.9 mm），闭环仍 0% 到达 / 100% 碰撞；
+DAgger 阶段曾把显存吃到约 30 GB，原因是 kin.gaps 一次几千个点、cap=40 mm，已修复（kin.gaps 自动分块），尚未实测。
+
+## 第 0 步：同步代码
+
+```bash
+git fetch gitea && git reset --hard gitea/main
+git log --oneline -1          # 应为「fix: 闭环失败定位与显存修复……」或更新
+```
+
+- 训练控制台若开着，先点「停止」，确认没有 python 训练进程在跑。
+- 不要启动 DAgger / M5，等 Hark 看完第 1、2 步的结果再定。
+
+## 第 1 步：gaps 显存峰值（不到 1 分钟）
+
+```bash
+PYTHONUTF8=1 python - <<'EOF'
+import torch
+from ml.common.kin_torch import Kin
+kin = Kin(device='cuda')
+for n, cap in [(512, 40.0), (4096, 4.0), (4096, 40.0)]:
+    q = kin.lo + (kin.hi - kin.lo) * torch.rand(n, 6, device='cuda')
+    torch.cuda.empty_cache(); torch.cuda.reset_peak_memory_stats()
+    with torch.no_grad(): kin.gaps(q, cap)
+    print(f'n={n:5d} cap={cap:4.0f}  peak {torch.cuda.max_memory_allocated() / 2**30:6.2f} GiB', flush=True)
+EOF
+```
+
+- 通过：三行峰值都 ≤ 2 GiB。
+- 任务管理器里专用显存接近 24 GB 或共享显存开始上涨：立刻 Ctrl+C，回传已打印的行，不要继续第 2 步。
+- 回传：终端输出的 3 行。
+
+## 第 2 步：闭环失败定位（约 2–4 分钟）
+
+```bash
+PYTHONUTF8=1 python -m ml.eval.diag_cl --ckpt ml/runs/base/last.pt --n 256 --out ml/runs/diag_cl.json
+```
+
+- 运行期间看一眼任务管理器，专用显存应远低于 24 GB；超过 22 GB 就 Ctrl+C 并回传终端输出。
+- 回传：`ml/runs/diag_cl.json`、`ml/runs/replay_teacher.json`、`ml/runs/base/log.jsonl`。
+
+## 回传汇总
+
+| 步骤 | 回传内容 |
+|---|---|
+| 1 | 终端 3 行峰值 |
+| 2 | ml/runs/diag_cl.json、ml/runs/replay_teacher.json、ml/runs/base/log.jsonl |
+| 任一步出错 | 终端最后 30 行输出 |
diff --git a/ml/common/kin_torch.py b/ml/common/kin_torch.py
index 91fb176..31587a1 100644
--- a/ml/common/kin_torch.py
+++ b/ml/common/kin_torch.py
@@ -118,12 +118,41 @@ class Kin:
         return a, b
 
     # ---------------- 间隙 ----------------
+    # 2026-10-19（用户实测 dagger/诊断吃满 24 GB 显存）：粗筛后幸存胶囊对数随 点数 × cap 暴涨，
+    # 一次几千个点、cap=40 mm 时中间张量可达十几 GB（训练里 eval 峰值 15.9 GiB 也是它）。
+    # 现在先按簇级粗筛估出每个点的幸存胶囊对数，按 PAIR_BUDGET 把 batch 切块逐块算，峰值与调用方的 batch 大小无关。
+    PAIR_BUDGET = 2_000_000
+
     def gaps(self, q, cap=40.0, xf=None, max_pairs=None):
         """返回 dict：
              gm  [B,49]：组对最小间隙 min(gap, cap)（gA*7+gB，gA<gB；其余为 cap）
              b, i, j, gap：幸存胶囊对（gap 可微）
         """
         xf = xf if xf is not None else self.cum_xf(q)
+        Rs, Ts = xf
+        B = q.shape[0]
+        with torch.no_grad():
+            cc = torch.einsum('bkij,kj->bki', Rs[:, self.cl_g], self.cl_c.to(q.dtype)) + Ts[:, self.cl_g]
+            d2 = (cc[:, self.cp_a] - cc[:, self.cp_b]).pow(2).sum(-1)
+            per = ((d2 <= (self.cp_lim + cap).pow(2)).long() * self.cp_cnt).sum(1)       # [B] 每点幸存胶囊对数
+            del cc, d2
+            if B <= 1 or int(per.sum()) <= self.PAIR_BUDGET:
+                bounds = [0, B]
+            else:
+                cs = torch.cumsum(per, 0).tolist(); bounds = [0]; base = 0
+                for k, c in enumerate(cs):
+                    if c - base > self.PAIR_BUDGET and k > bounds[-1]:
+                        bounds.append(k); base = cs[k - 1]
+                bounds.append(B)
+        if len(bounds) == 2:
+            return self._gaps_one(q, cap, xf)
+        parts = [self._gaps_one(q[s:e], cap, (Rs[s:e], Ts[s:e])) for s, e in zip(bounds[:-1], bounds[1:])]
+        return {'gm': torch.cat([p['gm'] for p in parts], 0),
+                'b': torch.cat([p['b'] + s for p, s in zip(parts, bounds[:-1])]),
+                'i': torch.cat([p['i'] for p in parts]), 'j': torch.cat([p['j'] for p in parts]),
+                'gap': torch.cat([p['gap'] for p in parts])}
+
+    def _gaps_one(self, q, cap, xf):
         Rs, Ts = xf
         B = q.shape[0]
         with torch.no_grad():