docs(本机执行清单): 回答「加大数据能否救闭环」——闭环状态到训练集最近邻中位 21.5°（起点 13.2° 的 1.6×，p90 32.5°）；训练集本身稀疏（老师起点最近邻 13.2°）；6 维密度缩放数据翻 4 倍只降 ~21%，与 0.02° 误差尺度差三个量级——扩大同类数据救不了，需 DAgger 覆盖分布外状态

docs/本机执行清单.md

@@ -177,3 +177,17 @@ reach **0%** / collision **79.0%** / ratio2s 0.574 / end 408 mm；`sign_flip_rat
 **全量耗时外推（估算，以首次实测为准）**：collect 8000 题约 0.8–1 小时（单进程）；老师重规划 1.6 万起点 / NPROC≈12 约 10 分钟；打包约 3 分钟；微调 15000 步未试。
 
 **结论**：DAgger 收集链路可用、显存安全（峰值 8 GB），可以全量启动——但先定 act_scale 口径。
+
+### 8. 「加大数据能否力挽狂澜」——闭环状态到训练分布的距离（s4，n=256，9408 个闭环状态）
+
+方法：闭环轨迹每 10 步取一个 q（9408 点），对训练集 191 万老师状态求最近邻（6 维关节角 L∞，±360 回绕）；对照 = 每题起点（老师分布内）。
+
+| 状态 | p10 | p50 | p90 | p99 |
+|---|---|---|---|---|
+| 闭环轨迹状态 | 12.10° | **21.46°** | 32.50° | 44.56° |
+| 每题起点（老师） | 8.71° | 13.21° | 17.91° | 21.53° |
+
+- 闭环状态离最近老师状态中位 **21.5°**（起点 13.2° 的 1.6×；p90 32.5°、p99 44.6°）。
+- 训练集本身在关节空间稀疏：连老师起点最近邻都有 13.2°——数据是"轨迹线"而非密集体。
+- 按密度缩放（6 维 d∝N^(−1/6)）：数据翻 4 倍最近邻仅降 ~21%（21.5°→~17°），而策略误差尺度是 0.02°；差距三个数量级，且同类数据不改变误差的时间相关结构（0.94）。
+- **结论：扩大同类老师数据救不了闭环**；需要「不同的数据」——在策略实际到达的状态上标注（DAgger），把 21.5° 这些分布外点变成训练样本。