fix(train): 首次正式预训练（21850 步闭环到达 0%）排查后修正——FK/平滑改加在配对去噪估计上（原加在随机噪声一步采样上=回归条件均值，多峰塌成单峰，实测候选标准差 0.030/幅度 0.151）；时间嵌入最高角频率 1000→50、MF 分支 fp32、p_neq 前 5000 步为 0（实测 du/dt 均方根 6–12 vs v 1.1）；增广 40%/3°/12 步收回；新增 dagger 阶段（策略闭环状态请老师重规划 ×2 轮微调）；开训前老师轨迹回放自检；评估加开环误差与候选多样性，best/早停按到达率+开环误差

docs/ML运行手册审查.md

@@ -40,12 +40,19 @@
 4. APG 收敛与机时（batch 48 下首测）→ APG 日志。
 5. 真模型 R9 → `r9_browser.json`。
 
+## 三′、首次正式预训练失败（2026-10-18，21850 步）与修正
+
+现象：闭环到达 0–0.2%、穿柱 77–97%；MF 残差 2 万步停在 7–8、17k–19k 尖峰到 96；梯度 100% 被裁剪。用 last.pt 实测定位：
+1. **多峰头塌成单峰（主因）**：同一状态 8 个候选间标准差 0.030、动作幅度 0.151。FK / 平滑损失加在 `one_step(随机噪声)` 上去对齐这一条老师 Y，最优解是条件均值 E[Y|X]，左绕 / 右绕取平均正好穿柱。→ 改加在 r = t、t ≤ 0.3 的配对去噪估计 x̂ = z − t·u 上。
+2. **MeanFlow 目标失控**：∂u/∂t 均方根 6–12，而 v 约 1.1，目标被自激的 JVP 项主导。时间嵌入 sin(1000·t) 太陡，JVP 又在 bf16 下算。→ 最高角频率 50；MF 分支 fp32；前 5000 步 p_neq = 0。
+3. **闭环分布偏移被低估（推断）**：增广只有 1°。→ 增广 40% / 3° / 12 步收回；新增 DAgger 阶段（策略走到的状态请老师重规划，2 轮）；开训前加老师轨迹回放自检；每次评估加开环误差与候选多样性。
+
 ## 四、正式训练（三段，每段跑完回传）
 
 | 段 | 命令 | 耗时 | 回传 |
 |---|---|---|---|
 | 数据 | `FROM=kin TO=prep bash ml/pipeline.sh all` | 数小时 | `ml/data/stats.json`、`ml/data/r2.json`、`ml/runs/r4.json` |
-| 训练 | `FROM=train TO=m5 bash ml/pipeline.sh all` | 约 3–6 小时 | `ml/runs/m5_gate_*.json` |
+| 训练（含 DAgger） | `FRESH_FROM=prep FROM=prep TO=m5 bash ml/pipeline.sh all`（增广改了，样本要重打包；gen 不重跑） | 约 9–11 小时（未实测：prep 0.5 + 预训练约 5（fp32 变慢）+ DAgger 约 3.5 + m5 0.3） | `ml/runs/replay_teacher.json`、`ml/runs/base/log.jsonl`、`ml/runs/m5_gate_*.json` |
 | 后训练与评测 | `FROM=apg TO=accept bash ml/pipeline.sh all` | 约 10–20 小时 | `ml/runs/acceptance.json`、`policy_bench.json`、`r9_browser.json` |
 
 中途出错：把出错信息发我，修完用 `FROM=<出错阶段>` 接着跑，前面的不重做。

ml/README.md

@@ -25,6 +25,7 @@
 | 4 生成数据 | `bash ml/pipeline.sh gen` | 不共识约 1 小时；共识约 4–5 小时 | `ml/data/shard_*.jsonl`、`stats.json` |
 | 5 打包样本 | `bash ml/pipeline.sh prep` | 15–30 分钟 | `ml/data/samples/`、`ml/data/r2.json` |
 | 6 预训练 | `bash ml/pipeline.sh train` | 测速 2000 步约 6 分钟，正式约 3 小时 | `ml/runs/base/best.pt` |
+| 6′ DAgger 纠偏 | `bash ml/pipeline.sh dagger` | 未实测，估 3–4 小时：2 轮 ×（采起点 5 分钟 + 老师重规划约 30 分钟 + 打包 + 微调 15000 步） | `ml/runs/base_dagger.ckpt`、`ml/runs/base_dag2/best.pt` |
 | 7 M5 门禁 | `bash ml/pipeline.sh m5` | 估算 10–20 分钟 | `ml/runs/m5_gate_base.json` |
 | 8 APG 微调 | `bash ml/pipeline.sh apg` | 未实测：展开长度 60–150 次推理随批变化，以监控页前 50 步换算的 ETA 为准 | `ml/runs/apg/best.pt` |
 | 9 挖错循环 | `bash ml/pipeline.sh mine` | 未实测：每轮 = 5 万题作答 + APG，以第 1 轮实际耗时 × 轮数为准 | `ml/runs/current.pt` |
@@ -127,10 +128,22 @@ bash ml/pipeline.sh prep
 bash ml/pipeline.sh train                           # MeanFlow 头 → ml/runs/bench_base/、ml/runs/base/
 ```
 
+开训前先跑老师轨迹回放自检（`ml/runs/replay_teacher.json`，约 1 分钟）：老师轨迹放进 PyTorch 仿真口径，到达 ≥ 95%、碰撞 ≤ 1% 才开训，否则 rc 5 停——口径对不上时闭环指标不可信。
+
 先跑 2000 步测吞吐（`ml/runs/bench_base/log.jsonl` 的 `samples_per_s`，`eta_h` 是剩余小时数），再正式训练到 60000 步或闭环到达率连续 5 次不升为止。
 
 - **通过线（R10）：`samples_per_s` ≥ 5000，即 60000 步 ≤ 3.5 小时**。参考：3090、batch 1024 实测 6.2 k 样本/s ≈ 2.8 小时。MeanFlow 的 JVP 双前向使训练受算力限制，加大 batch 不会提高样本/s；低于通过线时把 `configs/base.json` 的 `fk_caps` 从 96 降到 48，仍不够再把 `steps` 降到 40000
-- 训练中每 2000 步打印一行 `EVAL {...}`：val 任务闭环（部署节奏、不开安全层）`success`、`collision_rate`、`time_ok_1p3`、`start_fail`。时限 = 老师时长 × 2（至少 3 s）
+- 训练中每 2000 步打印一行 `EVAL {...}`：val 任务闭环（部署节奏、不开安全层）`success`、`collision_rate`、`time_ok_1p3`、`start_fail`。时限 = 老师时长 × 2（至少 3 s）；另有开环三项（val 样本、老师状态上）：`ol_fk_mm` 候选 0 的 16 步末端误差、`ol_best_mm` 8 个候选里最好的一条、`ol_div` 候选多样性（候选间标准差 / 动作幅度，塌成单峰时接近 0）。best.pt 与早停按「到达率 − 0.001 × ol_fk_mm」
+- 损失（2026-10-18 首次正式预训练后改）：FK / 平滑只加在 MF 分支 r = t 且 t ≤ 0.3 的配对去噪估计 x̂ = z − t·u 上（原来加在随机噪声的一步采样上，等于回归条件均值，多峰塌成单峰）；时间嵌入最高角频率 50（原 1000）；MF 分支与 JVP 走 fp32（TF32 矩阵乘）；前 5000 步 p_neq = 0。fp32 会让吞吐低于原 6.2 k/s，R10 以新实测为准
+- 数据增广：40% 样本加 σ = 3° 噪声、12 步收回（原 30% / 1° / 8 步），收回途中须无碰
+
+## 6′. DAgger 纠偏
+
+```bash
+bash ml/pipeline.sh dagger
+```
+
+用预训练 best.pt 在 train 任务上闭环跑（关安全层），每题取「首次碰撞前 0.2 s」和一个随机时刻的状态做起点（须无碰、间隙 > `MIN_GAP_MM`、离目标 > 5 mm），老师从这些起点重新规划（`gen_dataset.cjs --tasks`，与主数据同认证、同时间律），打包后与主数据一起微调。默认 2 轮（`DAG_ROUNDS`），每轮 8000 题（`DAG_N`）、微调 15000 步（`DAG_STEPS`，lr 3e-4）。老师只用于训练标注，部署仍无老师。M5 门禁读 `ml/runs/<头>_dagger.ckpt` 指向的模型；APG / 挖错的 BC 项也用 DAgger 样本。可断点续跑（采集、老师 shard、打包、微调各有完成标记）。
 - 显存预算**浮动**：整卡留 1 GB 给系统（`VRAM_RESERVE_GIB`，默认 1），训练与 APG 进程启动时按"整卡 − nvidia-smi 已用 − 余量"和"CUDA 空闲 − 余量"两者取小自设本进程上限（`ml/common/vram.py`）。占显存的应用多，上限就自动变小，不用改配置；想按定值对拍给 `VRAM_FRAC`（旧口径 0.78）。日志 `vram` 字段记峰值；预训练 `batch=1024` 实测峰值 2.76 GiB、APG `batch=48` 13.08 GiB。显存不够把 `batch` 改成 512。中断后再跑 `bash ml/pipeline.sh train`（或 `all`）会自动从 `ml/runs/<头>/last.pt` 续训（每 10 分钟存一次），测速那 2000 步做过就跳过。训练发散时不会用发散的权重覆盖 `last.pt` / `best.pt`。
 
 ## 7. M5 门禁：选定动作头

ml/configs/base.json

@@ -4,7 +4,7 @@
     "batch": 1024, "lr": 1e-3, "warmup": 1000, "steps": 60000, "wd": 0.01, "betas": [0.9, 0.95],
     "amp": "bf16", "grad_clip": 1.0,
     "w_mf": 1.0, "w_fk": 0.5, "w_smooth": 0.05, "w_value": 0.1, "w_sub": 0.1,
-    "p_neq": 0.25, "fk_caps": 96,
+    "p_neq": 0.25, "p_neq_warm": 5000, "fk_tmax": 0.3, "fk_caps": 96,
     "ckpt_min": 10, "eval_every": 2000, "eval_tasks": 512, "log_every": 50, "patience_evals": 5
   }
 }

ml/configs/small.json

@@ -4,7 +4,7 @@
     "batch": 1024, "lr": 1e-3, "warmup": 1000, "steps": 60000, "wd": 0.01, "betas": [0.9, 0.95],
     "amp": "bf16", "grad_clip": 1.0,
     "w_mf": 1.0, "w_fk": 0.5, "w_smooth": 0.05, "w_value": 0.1, "w_sub": 0.1,
-    "p_neq": 0.25, "fk_caps": 96,
+    "p_neq": 0.25, "p_neq_warm": 5000, "fk_tmax": 0.3, "fk_caps": 96,
     "ckpt_min": 10, "eval_every": 2000, "eval_tasks": 512, "log_every": 50, "patience_evals": 5
   }
 }

ml/configs/smoke.json

@@ -29,15 +29,36 @@
   "eval_every": 100,
   "eval_tasks": 16,
   "log_every": 10,
-  "patience_evals": 5
+  "patience_evals": 5,
+  "p_neq_warm": 100,
+  "fk_tmax": 0.3
  },
  "apg": {
-  "batch": 8, "lr": 0.0001, "steps": 10, "grad_clip": 1.0, "amp": "bf16",
+  "batch": 8,
-  "plans": 20, "plans_max": 30, "seg_plans": 5,
+  "lr": 0.0001,
+  "steps": 10,
+  "grad_clip": 1.0,
+  "amp": "bf16",
+  "plans": 20,
+  "plans_max": 30,
+  "seg_plans": 5,
   "margin_train_mm": 3.0,
-  "w_tgt": 1.0, "w_rot": 0.3, "w_col": 2.0, "w_smooth": 0.02, "w_len": 0.001, "w_bc": 0.5,
+  "w_tgt": 1.0,
-  "cat_weights": {"A": 0.4, "B": 1.0, "C": 1.6, "D": 0.6, "Dr": 0.6},
+  "w_rot": 0.3,
-  "ckpt_min": 10, "eval_every": 1000, "eval_tasks": 4
+  "w_col": 2.0,
+  "w_smooth": 0.02,
+  "w_len": 0.001,
+  "w_bc": 0.5,
+  "cat_weights": {
+   "A": 0.4,
+   "B": 1.0,
+   "C": 1.6,
+   "D": 0.6,
+   "Dr": 0.6
+  },
+  "ckpt_min": 10,
+  "eval_every": 1000,
+  "eval_tasks": 4
  },
  "_note": "冒烟与自检专用（bash ml/pipeline.sh selftest / smoke）：只验证流程能跑通，数值无意义。apg 段必须有：selftest.sh 第 6 项原先不带 --config，走的是正式 apg.json 的 batch=128，本机实测第一次反向就 OOM；改成正式值 48 也要约 13 GiB，自检不必吃这么多。"
 }

ml/configs/wta.json

@@ -4,7 +4,7 @@
     "batch": 1024, "lr": 1e-3, "warmup": 1000, "steps": 60000, "wd": 0.01, "betas": [0.9, 0.95],
     "amp": "bf16", "grad_clip": 1.0,
     "w_mf": 1.0, "w_fk": 0.5, "w_smooth": 0.05, "w_value": 0.1, "w_sub": 0.1,
-    "p_neq": 0.25, "fk_caps": 96,
+    "p_neq": 0.25, "p_neq_warm": 5000, "fk_tmax": 0.3, "fk_caps": 96,
     "ckpt_min": 10, "eval_every": 2000, "eval_tasks": 512, "log_every": 50, "patience_evals": 5
   }
 }

ml/dagger/collect.py

@@ -0,0 +1,75 @@
+"""DAgger 状态采集（2026-10-18 首次正式预训练后新增）：用当前策略在 train 任务上闭环跑（关安全层），
+从它自己走到的状态里挑起点，交给老师重新规划 → 这些"策略会去、老师数据里没有"的状态拿到正确标签。
+  python -m ml.dagger.collect --ckpt ml/runs/base/best.pt --samples ml/data/samples --n 8000 --seed 1 --parts 28 --out ml/data/dag1
+每题最多取 2 个起点：
+  - 撞了的题：首次碰撞前 0.2 s 的状态（策略"快要撞上"的地方，最有用）；
+  - 另取一个 [0.3 s, 首撞前或结束] 内均匀随机时刻的状态（偏离老师的一般状态）。
+起点必须无碰且间隙 > MIN_GAP_MM（老师从碰撞态出发规划不出来，与 build_dataset 的增广接受同一地板），且离目标 > 5 mm（否则 DLS 接管，不需要老师）。
+输出 tasks_XX.jsonl（按 --parts 均分，供 gen_dataset.cjs --tasks 并行），每行 {q0, T, R, cat, src}。
+为什么需要：纯行为克隆在闭环里会偏出老师分布（首次 21850 步闭环到达 0%），原方案指望 APG/挖错修，但它们没法从 0% 起步。
+老师只用于训练标注，部署仍然无老师。"""
+import argparse, json, os, random
+import torch
+
+from ml.common.kin_torch import Kin
+from ml.data import load_tasks
+from ml.model.policy import build
+from ml.sim.closed_loop import rollout, goal_err, tasks_to_tensors, DT
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument('--ckpt', required=True); ap.add_argument('--samples', nargs='+', default=['ml/data/samples'])
+    ap.add_argument('--n', type=int, default=8000); ap.add_argument('--seed', type=int, default=1)
+    ap.add_argument('--parts', type=int, default=8); ap.add_argument('--out', required=True)
+    ap.add_argument('--bs', type=int, default=64)
+    ap.add_argument('--device', default='cuda' if torch.cuda.is_available() else 'cpu')
+    a = ap.parse_args()
+    gap_min = float(os.environ.get('MIN_GAP_MM') or 3)
+    os.makedirs(a.out, exist_ok=True)
+    kin = Kin(device=a.device)
+    ck = torch.load(a.ckpt, map_location=a.device)
+    assert ck.get('fp') in (None, kin.fp), '碰撞模型指纹与 checkpoint 不符'
+    model = build(ck['cfg']).to(a.device); model.load_state_dict(ck['model']); model.eval()
+    pool = [t for t in load_tasks(a.samples[:1]) if t['split'] == 'train' and t.get('cat') not in ('D',)]
+    rng = random.Random(a.seed); rng.shuffle(pool); tasks = pool[:a.n]
+    out, stat = [], {'tasks': len(tasks), 'collided': 0, 'states': 0, 'rej_gap': 0, 'rej_near': 0}
+    for i in range(0, len(tasks), a.bs):
+        tb = tasks[i:i + a.bs]
+        with torch.no_grad():
+            _, per = rollout(model, kin, tb, a.device, K=8, safety=False, seed=a.seed * 100003 + i, return_traj=True)
+        tr = per['traj'].to(a.device)                                   # [B,T,6]
+        B, Tn, _ = tr.shape
+        _, T, R, _, _ = tasks_to_tensors(tb, a.device)
+        with torch.no_grad():
+            g = torch.cat([kin.gaps(tr[:, s:s + 64].reshape(-1, 6), 40.0)['gm'].min(-1).values.view(B, -1) for s in range(0, Tn, 64)], 1)
+        for b, t in enumerate(tb):
+            hit = (g[b] <= 0).nonzero()
+            c = int(hit[0]) if hit.numel() else Tn
+            if hit.numel(): stat['collided'] += 1
+            cand = []
+            if hit.numel(): cand.append(max(0, c - int(round(0.2 / DT))))
+            lo = int(round(0.3 / DT))
+            if c - 1 > lo: cand.append(rng.randint(lo, c - 1))
+            for k in cand:
+                if g[b, k] <= gap_min: stat['rej_gap'] += 1; continue
+                q = tr[b, k:k + 1]
+                e, oe = goal_err(kin, q, T[b:b + 1], R[b:b + 1])
+                if e.item() < 5 and (not t.get('R') or oe.item() < 5): stat['rej_near'] += 1; continue
+                out.append({'q0': [round(v, 3) for v in q[0].tolist()], 'T': t['T'], 'R': t.get('R'), 'cat': t.get('cat', 'A'),
+                            'src': {'tid': t['tid'], 'k': k, 'col': bool(hit.numel())}})
+        print(f'[dagger] {min(i + a.bs, len(tasks))}/{len(tasks)} 题，起点 {len(out)}', flush=True)
+    stat['states'] = len(out)
+    rng.shuffle(out)
+    per_part = (len(out) + a.parts - 1) // max(1, a.parts)
+    for p in range(a.parts):
+        chunk = out[p * per_part:(p + 1) * per_part]
+        if not chunk: continue
+        fn = os.path.join(a.out, 'tasks_%02d.jsonl' % (p + 1))
+        open(fn + '.tmp', 'w', encoding='utf-8').write(''.join(json.dumps(x) + '\n' for x in chunk)); os.replace(fn + '.tmp', fn)
+    json.dump(stat, open(os.path.join(a.out, 'collect.json'), 'w', encoding='utf-8'), indent=1)   # 最后写：它存在 = 采集完成
+    print(json.dumps(stat, ensure_ascii=False), flush=True)
+
+
+if __name__ == '__main__':
+    main()

ml/dagger/run.sh

@@ -0,0 +1,61 @@
+#!/usr/bin/env bash
+# DAgger 纠偏（2026-10-18 首次正式预训练后新增）：bash ml/dagger/run.sh <头标签> <起点 ckpt>
+#   每轮：策略闭环采起点（ml.dagger.collect）→ 老师从这些起点重新规划（gen_dataset.cjs --tasks，NPROC 并行）
+#         → 打包成样本（build_dataset.cjs，与主数据同口径）→ 主数据 + 历轮 DAgger 样本一起微调 DAG_STEPS 步。
+#   环境变量：DAG_ROUNDS（默认 2）、DAG_N（每轮采样题数，默认 8000，每题最多 2 个起点）、DAG_STEPS（每轮微调步数，默认 15000）、
+#            DAG_LR（默认 3e-4）、NPROC、MIN_GAP_MM。
+#   产物：ml/data/dag_<tag>_r<k>/（起点与老师 shard）、ml/data/samples_dag_<tag>_r<k>/、ml/runs/<tag>_dag<k>/；
+#         最终模型路径写进 ml/runs/<tag>_dagger.ckpt（m5 读它）。
+#   断点续跑：采集以 collect.json 为完成标记；老师 shard 先写 .part 再改名、未写完的从断点续写；打包以 .tasks.jsonl 为完成标记；
+#            微调用该轮 last.pt 续训；整轮完成打 ml/runs/<tag>_dag<k>/done。
+set -e -o pipefail
+cd "$(dirname "$0")/../.."
+PY=${PYTHON:-python}
+TAG=$1; CK=$2
+[ -n "$TAG" ] && [ -f "$CK" ] || { echo "usage: run.sh <tag> <ckpt>（$CK 不存在）"; exit 1; }
+R=${DAG_ROUNDS:-2}; N=${DAG_N:-8000}; STEPS=${DAG_STEPS:-15000}; LR=${DAG_LR:-3e-4}; P=${NPROC:-$(nproc)}
+CFGF=ml/configs/$TAG.json
+SAMPLES="ml/data/samples"
+for ((r=1; r<=R; r++)); do
+  D=ml/data/dag_${TAG}_r$r; SD=ml/data/samples_dag_${TAG}_r$r; OUT=ml/runs/${TAG}_dag$r
+  SAMPLES="$SAMPLES $SD"
+  if [ -f $OUT/done ]; then echo "[dagger] 第 $r 轮已完成，跳过"; CK=$OUT/best.pt; continue; fi
+  if [ -f $D/collect.json ]; then echo "[dagger] 第 $r 轮起点已采集，跳过"
+  else echo "[dagger] 第 $r 轮：用 $CK 闭环采起点（$N 题）"; $PY -m ml.dagger.collect --ckpt $CK --samples ml/data/samples --n $N --seed $r --parts $P --out $D; fi
+  cat $D/collect.json
+  pids=()
+  for f in $D/tasks_*.jsonl; do
+    [ -e "$f" ] || continue
+    k=$(basename $f .jsonl); k=${k#tasks_}; sh=$D/shard_dag_${TAG}_r${r}_$k.jsonl
+    [ -f $sh ] && continue
+    ( node ml/gen/gen_dataset.cjs --tasks $f --seed $((9000 + 100 * r + 10#$k)) --out $sh.part 2>> $D/log_$k.txt && mv $sh.part $sh ) &
+    pids+=($!)
+  done
+  if [ ${#pids[@]} -gt 0 ]; then
+    echo "[dagger] 第 $r 轮：老师重新规划（${#pids[@]} 进程）"
+    t0=$(date +%s)
+    while :; do
+      alive=0; for p in "${pids[@]}"; do kill -0 $p 2>/dev/null && alive=$((alive+1)); done
+      [ $alive = 0 ] && break; sleep 30
+      echo "[dagger 节拍] $(( ($(date +%s) - t0) / 60 )) 分钟  运行中 $alive/${#pids[@]}  已写 $(cat $D/*.part $D/shard_*.jsonl 2>/dev/null | wc -l) 条"
+    done
+    for p in "${pids[@]}"; do wait $p || true; done   # 判定按产物（同 run_parallel.sh：Git Bash 长跑后 wait 返回码不可靠）
+    for f in $D/tasks_*.jsonl; do
+      k=$(basename $f .jsonl); k=${k#tasks_}; sh=$D/shard_dag_${TAG}_r${r}_$k.jsonl
+      if [ ! -f $sh ]; then
+        n=0; [ -f $sh.part ] && n=$(wc -l < $sh.part); need=$(wc -l < $f)
+        if [ "$n" -ge "$need" ]; then mv $sh.part $sh; else echo "[dagger] $sh 未写完（$n/$need），见 $D/log_$k.txt；重跑本阶段从断点续写"; exit 6; fi
+      fi
+    done
+  fi
+  mkdir -p $SD
+  todo=(); for sh in $D/shard_dag_*.jsonl; do [ -e "$sh" ] || continue; b=$(basename $sh .jsonl); [ -f $SD/$b.tasks.jsonl ] || todo+=("$sh"); done
+  [ ${#todo[@]} = 0 ] || printf '%s\n' "${todo[@]}" | xargs -P "$P" -I{} node ml/prep/build_dataset.cjs {} $SD
+  $PY -m ml.data --index $SD | tail -n 3
+  res=""; [ -f $OUT/last.pt ] && res="--resume $OUT/last.pt"
+  echo "[dagger] 第 $r 轮：微调 $STEPS 步（样本：$SAMPLES）"
+  $PY -m ml.train --samples $SAMPLES --out $OUT --config $CFGF --init $CK --steps $STEPS --lr $LR --warmup 500 $res
+  touch $OUT/done; CK=$OUT/best.pt
+done
+echo "$CK" > ml/runs/${TAG}_dagger.ckpt
+echo "[dagger] 完成：后续阶段使用 $CK"

ml/eval/replay_teacher.py

@@ -0,0 +1,49 @@
+"""老师轨迹回放自检（2026-10-18 首次正式预训练后新增；train 阶段开训前自动跑，约 1 分钟）：
+把 gen 写出的老师 50 Hz 轨迹（keep=true）直接放进闭环仿真用的 PyTorch 运动学 / 碰撞 / 到达判据里检查。
+老师轨迹在 JS 侧已认证无碰、已到达；如果这里判出碰撞或未到达，说明仿真口径（kin.json、间隙、到达门槛）和数据对不上，
+那么闭环指标本身不可信，训练多少步都没用 —— 直接停下（rc 5）。
+  python -m ml.eval.replay_teacher --n 512 --out ml/runs/replay_teacher.json
+判据：到达率（cat≠D）≥ 0.95，碰撞率 ≤ 0.01。"""
+import argparse, glob, json, os, sys
+import torch
+
+from ml.common.kin_torch import Kin
+from ml.sim.closed_loop import goal_err
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument('--shards', default='ml/data/shard_*.jsonl'); ap.add_argument('--n', type=int, default=512)
+    ap.add_argument('--out', default='ml/runs/replay_teacher.json')
+    ap.add_argument('--device', default='cuda' if torch.cuda.is_available() else 'cpu')
+    a = ap.parse_args()
+    kin = Kin(device=a.device)
+    recs = []
+    for f in sorted(glob.glob(a.shards)):
+        for line in open(f, encoding='utf-8'):
+            r = json.loads(line)
+            if r.get('keep') and r.get('traj') and r.get('cat') != 'D': recs.append(r)
+            if len(recs) >= a.n: break
+        if len(recs) >= a.n: break
+    if not recs: sys.exit('没有可回放的老师轨迹（先跑 gen）')
+    reach = col = 0; worst_gap = []
+    for r in recs:
+        q = torch.tensor(r['traj'], dtype=torch.float32, device=a.device)
+        mid = 0.5 * (q[1:] + q[:-1])
+        g = kin.gaps(torch.cat([q, mid], 0), 0.5)['gm'].min(-1).values
+        hit = bool((g <= 0).any()); col += hit; worst_gap.append(g.min().item())
+        T = torch.tensor([r['T']], dtype=torch.float32, device=a.device)
+        R = torch.tensor([r['R'] if r.get('R') else [0.] * 9], dtype=torch.float32, device=a.device)
+        e, oe = goal_err(kin, q[-1:], T, R)
+        reach += bool((e < 1).item() and (oe < 0.5).item())
+    n = len(recs)
+    res = {'n': n, 'reach': reach / n, 'collision': col / n, 'min_gap_mm_p10': sorted(worst_gap)[n // 10],
+           'pass': reach / n >= 0.95 and col / n <= 0.01, 'fp': kin.fp}
+    os.makedirs(os.path.dirname(a.out) or '.', exist_ok=True)
+    json.dump(res, open(a.out, 'w', encoding='utf-8'), indent=1)
+    print('老师轨迹回放：到达 %.1f%%、碰撞 %.1f%%（%d 条）' % (100 * res['reach'], 100 * res['collision'], n), flush=True)
+    sys.exit(0 if res['pass'] else 5)
+
+
+if __name__ == '__main__':
+    main()

ml/mining/loop.sh

@@ -12,13 +12,14 @@ ROUNDS=${1:-6}; STEPS=${2:-1000}; N=${3:-50000}
 mkdir -p ml/runs/mine
 [ -f ml/runs/gate_tasks.jsonl ] || $PY -m ml.mining.mine_round --make-gate ${MINE_GATE_N:-2000} --seed 777 --out ml/runs
 [ -f ml/runs/current.pt ] || cp ml/runs/apg/best.pt ml/runs/current.pt
-SAMPLES="ml/data/samples"; FIXED=""; small=0
+BASE_S="ml/data/samples $(ls -d ml/data/samples_dag_* 2>/dev/null | tr '\n' ' ')"   # 2026-10-18：BC 正则也用 DAgger 样本
+SAMPLES="$BASE_S"; FIXED=""; small=0
 for ((r=1; r<=ROUNDS; r++)); do
   D=ml/runs/mine/r$r; mkdir -p $D
   if [ -f $D/gate.json ]; then
     gain=$($PY -c "import json;print(json.load(open('$D/gate.json'))['gain_pp'])")
     echo "round $r 已完成（gain ${gain} pp），跳过"; FIXED="--fixed $D/gate_fixed.jsonl"
-    [ -s ml/data/e2/shard_e2_r$r.jsonl ] && SAMPLES="ml/data/samples ml/data/samples_e2"
+    [ -s ml/data/e2/shard_e2_r$r.jsonl ] && SAMPLES="$BASE_S ml/data/samples_e2"
     if $PY -c "import sys;sys.exit(0 if $gain < 0.5 else 1)"; then small=$((small+1)); else small=0; fi
     if [ $small -ge 2 ]; then echo "连续 2 轮提升 < 0.5 pp，停止"; break; fi
     continue
@@ -35,7 +36,7 @@ for ((r=1; r<=ROUNDS; r++)); do
   if [ -s $D/e2_tasks.jsonl ]; then
     [ -f $E2F ] || { node ml/gen/gen_dataset.cjs --tasks $D/e2_tasks.jsonl --seed $((5000+r)) --out $E2F.part && mv $E2F.part $E2F; }
     node ml/prep/build_dataset.cjs ml/data/e2/shard_e2_r$r.jsonl ml/data/samples_e2
-    SAMPLES="ml/data/samples ml/data/samples_e2"
+    SAMPLES="$BASE_S ml/data/samples_e2"
   fi
   res=""; [ -f ml/runs/apg_r$r/last.pt ] && res="--resume ml/runs/apg_r$r/last.pt"
   $PY -m ml.apg.apg_finetune --init ml/runs/current.pt --samples $SAMPLES --pool $D/pool.jsonl --out ml/runs/apg_r$r --steps $STEPS $res

ml/model/meanflow.py

@@ -1,6 +1,12 @@
 """MeanFlow 损失（Geng et al. 2025；MP1 配方：25% 样本 r≠t，自适应损失加权）。
 约定：t=0 为数据、t=1 为噪声；z_t = (1−t)·x + t·ε，瞬时速度 v = ε − x；网络输出平均速度 u(z,r,t)。
-目标 u_tgt = v − (t − r)·du/dt，du/dt = v·∂_z u + ∂_t u 用 torch.func.jvp 一次前向得到（切向量 (v, 0, 1)）。"""
+目标 u_tgt = v − (t − r)·du/dt，du/dt = v·∂_z u + ∂_t u 用 torch.func.jvp 一次前向得到（切向量 (v, 0, 1)）。
+2026-10-18 首次正式预训练后改：
+  - 整个 MF 分支（解码器前向 + JVP）在 fp32 下算：目标里含网络自己的导数，bf16 下 JVP 误差直接变成目标噪声；
+  - return_aux=True 时返回 (z, t, r, u)，训练用 r==t 且 t 小的样本做"配对去噪估计" x̂ = z − t·u 来加 FK / 平滑损失。
+    原来把 FK 加在 one_step(随机噪声) 上、对齐这一条样本的老师 Y：对任意噪声都回归同一个 Y，最优解是条件均值 E[Y|X]，
+    多峰头被训成单峰（实测 last.pt 8 个候选间标准差 0.030，动作幅度 0.151），左绕/右绕取平均正好穿柱。
+    x̂ 由 z_t 里带着的那一条 x 决定（t 小时 z_t 几乎就是 x），不会把不同模式拉到一起。"""
 import torch
 from torch.func import jvp
 
@@ -14,18 +20,23 @@ def sample_rt(B, device, dtype, p_neq=0.25, mu=-0.4, sigma=1.0):
     return r, t
 
 
-def meanflow_loss(model, mem, x, p_neq=0.25, ada_p=1.0, ada_c=1e-3):
+def meanflow_loss(model, mem, x, p_neq=0.25, ada_p=1.0, ada_c=1e-3, return_aux=False):
-    B = x.shape[0]
+    mem, x = mem.float(), x.float()
-    r, t = sample_rt(B, x.device, x.dtype, p_neq)
+    with torch.autocast('cuda', enabled=False):
-    e = torch.randn_like(x)
+        B = x.shape[0]
-    z = (1 - t)[:, None, None] * x + t[:, None, None] * e
+        r, t = sample_rt(B, x.device, x.dtype, p_neq)
-    v = e - x
+        e = torch.randn_like(x)
-    fn = lambda z_, r_, t_: model.decode(mem, z_, r_, t_)
+        z = (1 - t)[:, None, None] * x + t[:, None, None] * e
-    u, dudt = jvp(fn, (z, r, t), (v, torch.zeros_like(r), torch.ones_like(t)))
+        v = e - x
-    u_tgt = (v - (t - r)[:, None, None] * dudt).detach()
+        fn = lambda z_, r_, t_: model.decode(mem, z_, r_, t_)
-    err = (u - u_tgt).pow(2).mean(dim=(1, 2))
+        u, dudt = jvp(fn, (z, r, t), (v, torch.zeros_like(r), torch.ones_like(t)))
-    w = 1.0 / (err.detach() + ada_c).pow(ada_p)
+        u_tgt = (v - (t - r)[:, None, None] * dudt).detach()
-    return (w * err).mean(), err.mean().detach()
+        err = (u - u_tgt).pow(2).mean(dim=(1, 2))
+        w = 1.0 / (err.detach() + ada_c).pow(ada_p)
+        loss = (w * err).mean()
+    if return_aux:
+        return loss, err.mean().detach(), {'z': z, 't': t, 'r': r, 'u': u}
+    return loss, err.mean().detach()
 
 
 def one_step(model, mem, e):

ml/model/policy.py

@@ -55,10 +55,17 @@ class DecBlock(nn.Module):
         return x + self.ff(self.n3(x))
 
 
+TEMB_WMAX = 50.0     # 时间嵌入最高角频率（rad / 单位 t）
+
+
 def time_emb(t, dim):
+    """2026-10-18 首次正式预训练后改（step 21850 闭环到达 0%）：原实现照扩散模型写成 sin(1000·t·f)，f∈[1e-3, 1]，
+    最高角频率 1000 —— t∈[0,1] 上网络对 t 极其敏感，实测 last.pt 的 ∂u/∂t 均方根 6–12，而 v 只有约 1.1，
+    MeanFlow 目标 u_tgt = v − (t−r)·du/dt 被自激的 JVP 项主导：MF 残差 2 万步一直停在 7–8、17k–19k 尖峰到 96、梯度 100% 被裁剪。
+    改为角频率在 [0.5, 50] 几何分布（最快一维在 [0,1] 上约转 8 圈，足够分辨 t，导数量级降 20 倍）。"""
     half = dim // 2
-    fr = torch.exp(-math.log(1000.0) * torch.arange(half, device=t.device, dtype=t.dtype) / half)
+    w = torch.exp(torch.linspace(math.log(0.5), math.log(TEMB_WMAX), half, device=t.device, dtype=t.dtype))
-    a = t[:, None] * 1000.0 * fr[None]
+    a = t[:, None] * w[None]
     return torch.cat([torch.sin(a), torch.cos(a)], -1)
 
 

ml/monitor.html

@@ -208,7 +208,7 @@
   <div class="d">后台执行 <code>bash ml/pipeline.sh all</code>，从对拍一路跑到验收。已完成的步骤自动跳过；训练每 10 分钟存档、生成按条续写，断了再点一次就从断点接着跑。网页和控制台窗口都可以关，训练不受影响。</div>
   <div class="form">
     <label>运行方式<select id="fMode"><option value="resume">续跑：跳过已完成的步骤</option><option value="from">从指定阶段重训（该阶段及之后全部重做）</option><option value="fresh">全部重跑（数据也重新生成）</option></select></label>
-    <label>起始阶段<select id="fFrom"><option value="train">预训练 train（保留数据、样本、门禁）</option><option value="m5">头门禁 m5</option><option value="apg">后训练 apg</option><option value="mine">挖错循环 mine</option><option value="export">导出 export</option><option value="bench">部署评测 bench</option><option value="accept">验收 accept</option><option value="gen">生成数据 gen（重跑约 7 小时）</option><option value="prep">打包样本 prep</option><option value="gate1">一致性门禁 gate1</option><option value="r4">推理延迟 r4</option><option value="kin">对拍 kin</option></select></label>
+    <label>起始阶段<select id="fFrom"><option value="train">预训练 train（保留数据、样本、门禁）</option><option value="dagger">DAgger 纠偏 dagger</option><option value="m5">头门禁 m5</option><option value="apg">后训练 apg</option><option value="mine">挖错循环 mine</option><option value="export">导出 export</option><option value="bench">部署评测 bench</option><option value="accept">验收 accept</option><option value="gen">生成数据 gen（重跑约 7 小时）</option><option value="prep">打包样本 prep</option><option value="gate1">一致性门禁 gate1</option><option value="r4">推理延迟 r4</option><option value="kin">对拍 kin</option></select></label>
     <label>动作头 CFG<select id="fCfg"><option value="ml/configs/base.json">MeanFlow（base，M5 不过自动转 WTA）</option><option value="ml/configs/wta.json">WTA（wta）</option><option value="ml/configs/small.json">小模型 d=128（R4 不过时用）</option></select></label>
     <label>共识过滤 CONSENSUS<select id="fCons"><option value="">按老师门禁自动</option><option value="0">关</option><option value="1">开（生成约慢 5 倍）</option></select></label>
     <label>任务数 N_TASKS<input id="fN" value="50000"></label>
@@ -378,7 +378,7 @@ let logyOn = false, job = null, userPicked = false, conOff = 0;
    下面这份只给示例数据用，数值与 pstate.py 一致。 */
 let STAGE_META = [
   ['setup', '安装依赖', 0.2], ['kin', '对拍', 0.2], ['r4', '推理延迟', 0.2], ['gate1', '一致性门禁', 0.5], ['gen', '生成老师轨迹', 5.0],
-  ['prep', '打包样本', 0.5], ['train', '预训练', 3.0], ['m5', '头门禁', 0.5], ['apg', 'APG 微调', 4.0], ['mine', '挖错循环', 9.0],
+  ['prep', '打包样本', 0.5], ['train', '预训练', 4.5], ['dagger', 'DAgger 纠偏', 3.5], ['m5', '头门禁', 0.5], ['apg', 'APG 微调', 4.0], ['mine', '挖错循环', 9.0],
   ['export', '导出', 0.1], ['bench', '部署评测', 1.0], ['accept', '验收汇总', 0.5]];
 let SM = Object.fromEntries(STAGE_META.map(([k, n, w]) => [k, { n, w, to: Math.max(1, 3 * w) }]));
 function applyStageMeta(m) {
@@ -788,7 +788,7 @@ function demoApi() {
   const mkPipe = (done, cur, curStartH) => { const t = now(); const st = {}, el = {}; let tt = t - curStartH * 3600;
     for (let i = done.length - 1; i >= 0; i--) { const [k, dur] = done[i]; st[k] = { start: tt - dur * 3600, end: tt, rc: 0, info: {} }; el[k] = dur * 3600; tt -= dur * 3600; }
     if (cur) { st[cur] = { start: t - curStartH * 3600, end: null, rc: null, info: {} }; el[cur] = curStartH * 3600; }
-    return { started: tt, plan: ['kin', 'r4', 'gate1', 'gen', 'prep', 'train', 'm5', 'apg', 'mine', 'export', 'bench', 'accept'], stages: st, elapsed: el, current: cur }; };
+    return { started: tt, plan: ['kin', 'r4', 'gate1', 'gen', 'prep', 'train', 'dagger', 'm5', 'apg', 'mine', 'export', 'bench', 'accept'], stages: st, elapsed: el, current: cur }; };
   const CON = {
     train: '$ FROM=kin TO=accept bash ml/pipeline.sh all\n计划：kin r4 gate1 gen prep train m5 apg mine export bench accept\n== node ml/prep/export_kin.cjs\n== node ml/eval/dump_parity.cjs 2000\n== python -m ml.eval.check_parity\n{"PASS": true, "fk_mm": 0.0004, "gap_mm": 0.0011}\n== node ml/gen/consistency.cjs 300 4242\n{"consistentByGateRule": 0.86}\n一致性门禁结果 → CONSENSUS=1\n== bash ml/gen/run_parallel.sh 1786 28 1 --consensus 4\n样本数 1702000 ≥ 目标，完成\n== bash ml/prep/run_prep.sh 28\n== python -m ml.eval.check_r2 --samples ml/data/samples --out ml/data/r2.json\n{"pairs": 250, "label_std_mean": 0.071, "pass": true}\n== python -m ml.train --samples ml/data/samples --out ml/runs/bench_base --steps 2000 --no-eval\nstep 2000  loss 1.912  6150 samples/s\n== python -m ml.train --samples ml/data/samples --out ml/runs/base\n',
     gen: '$ FROM=kin TO=accept bash ml/pipeline.sh all\n计划：kin r4 gate1 gen prep train m5 apg mine export bench accept\n== node ml/prep/export_kin.cjs\n== python -m ml.eval.check_parity\n{"PASS": true}\n== node ml/gen/consistency.cjs 300 4242\n{"consistentByGateRule": 0.86}\n一致性门禁结果 → CONSENSUS=1\n== bash ml/gen/run_parallel.sh 1786 28 1 --consensus 4\n',

ml/monitor.py

@@ -265,6 +265,21 @@ def stage_progress(st, s):
                     'eta_s': m['eta_h'] * 3600 if m.get('eta_h') else None}   # 训练脚本自己按实测样本/s 算的
         if b: return {'frac': b['step'] / (bs + 60000), 'label': f'测速 {b["step"]:,} / {bs:,} 步', 'run': f'bench_{tag}'}
         return {'frac': 0, 'label': '加载数据中'}
+    if st == 'dagger':     # 2026-10-18 新增：每轮 = 采起点 → 老师重规划 → 打包 → 微调（微调占大头，进度按 0.1/0.25/0.05/0.6 分）
+        tag, R = info.get('tag', 'base'), int(info.get('rounds', 2))
+        k = len(newer(f'{RUNS}/{tag}_dag*/done', t0)); k = min(k, R)
+        base = f'第 {min(k + 1, R)} / {R} 轮'
+        if k >= R: return {'frac': 1, 'label': 'DAgger 完成'}
+        D, run = f'{DATA}/dag_{tag}_r{k + 1}', f'{tag}_dag{k + 1}'
+        m = last_rec(run) if newer(f'{RUNS}/{run}/log.jsonl', t0) else None
+        if m and m.get('total'):
+            return {'frac': (k + 0.4 + 0.6 * m['step'] / m['total']) / R, 'label': f'{base}：微调 {m["step"]:,} / {m["total"]:,} 步', 'run': run,
+                    'eta_s': m['eta_h'] * 3600 if m.get('eta_h') else None}
+        if os.path.exists(os.path.join(ROOT, D, 'collect.json')):
+            nt = sum(LC.count(f) for f in glob.glob(os.path.join(ROOT, D, 'tasks_*.jsonl')))
+            nd = sum(LC.count(f) for f in glob.glob(os.path.join(ROOT, D, 'shard_dag_*.jsonl')) + glob.glob(os.path.join(ROOT, D, 'shard_dag_*.jsonl.part')))
+            return {'frac': (k + 0.1 + 0.25 * (nd / nt if nt else 0)) / R, 'label': f'{base}：老师重新规划 {nd:,} / {nt:,} 个起点'}
+        return {'frac': k / R, 'label': f'{base}：闭环采起点'}
     if st == 'apg':
         r = last_rec('apg') if newer(f'{RUNS}/apg/log.jsonl', t0) else None
         eta = None
@@ -509,7 +524,7 @@ class Job:
             pid = self.p.pid if ours else int(lk.get('pid') or 0)
             if not pid: return {'error': '锁里没有 pid，无法停止'}
         cur = (pstate.load().get('current') or '')
-        if cur in ('train', 'm5', 'apg', 'mine'):
+        if cur in ('train', 'dagger', 'm5', 'apg', 'mine'):
             open(STOPF, 'w').write(time.strftime('%H:%M:%S'))
             with open(CONSOLE, 'a', encoding='utf-8') as f: f.write(f'\n[停止请求已发出，等待 {cur} 存档 last.pt…]\n')
             for _ in range(180):

ml/pipeline.sh

@@ -7,6 +7,7 @@
 #   gen     生成老师轨迹（NPROC 进程；CONSENSUS=1 时加共识过滤；样本不足 TARGET_SAMPLES 自动补生成）
 #   prep    打包训练样本 + R2 标签一致性检查
 #   train   预训练（先 2000 步摸吞吐，再正式训练）；输出目录随头分开：ml/runs/<CFG 名>
+#   dagger  DAgger 纠偏（2026-10-18 新增）：策略闭环走到的状态请老师重新规划、并入数据微调 DAG_ROUNDS 轮（ml/dagger/run.sh）
 #   m5      头门禁：贴立柱集穿柱率 ≤ 2%（纯策略口径），同时报仿真安全层口径；通过则记为选定模型，不过自动训 WTA 头再判
 #   apg     APG 首轮微调（从选定模型开始）
 #   mine    挖错循环（3–6 轮，含门禁回滚）
@@ -45,10 +46,11 @@ SEL=ml/runs/selected_ckpt
 ckpt() { if [ -n "${CKPT:-}" ]; then echo "$CKPT"; elif [ -f $SEL ]; then cat $SEL; else echo ml/runs/$TAG/best.pt; fi; }
 stage=${1:-help}
 run() { echo "== $*" >&2; "$@"; }   # 回显走 stderr：gate1 用 tee 把 stdout 存成 consistency.json，回显混进去会让后面读它时 JSONDecodeError
-ALL_STAGES="setup kin r4 gate1 gen prep train m5 apg mine export bench accept"
+ALL_STAGES="setup kin r4 gate1 gen prep train dagger m5 apg mine export bench accept"
 stage_info() { case $1 in
   gen)   echo "target_tasks=$(( (N_TASKS + NPROC - 1) / NPROC * NPROC ))" ;;
   train) echo "tag=$TAG bench_steps=2000" ;;
+  dagger) echo "tag=$TAG rounds=${DAG_ROUNDS:-2}" ;;
   m5)    echo "tag=$TAG" ;;
   mine)  echo "rounds=$ROUNDS apg_steps=$APG_STEPS" ;;
 esac; }
@@ -78,13 +80,21 @@ trap 'exit 143' TERM INT HUP      # 被停止 / 超时：先走 on_exit 记返
 # ---- 训练与门禁的单元（m5 自动分支要对两种头各调一次）
 train_one() {   # $1 = 配置文件
   local cfg=$1 tag; tag=$(basename "$1" .json)
+  # 2026-10-18：开训前先把老师轨迹放进 PyTorch 仿真口径里回放——口径对不上时闭环指标不可信，训多少步都白训（rc 5 停）
+  [ -f ml/runs/replay_teacher.json ] || run $PY -m ml.eval.replay_teacher --n 512 --out ml/runs/replay_teacher.json
   if [ -f ml/runs/bench_$tag/last.pt ]; then echo "吞吐摸底 ml/runs/bench_$tag 已有，跳过"
   else run $PY -m ml.train --samples ml/data/samples --out ml/runs/bench_$tag --steps ${BENCH_STEPS:-2000} --no-eval --config $cfg; fi
   local res=""; [ -f ml/runs/$tag/last.pt ] && { res="--resume ml/runs/$tag/last.pt"; echo "发现 ml/runs/$tag/last.pt → 续训"; }
   run $PY -m ml.train --samples ml/data/samples --out ml/runs/$tag --config $cfg $res
 }
-m5_one() {      # $1 = 头标签；返回 0 通过 / 3 不通过
+dagger_one() {  # $1 = 头标签：从该头的预训练 best.pt 起做 DAgger，最终模型路径写进 ml/runs/<tag>_dagger.ckpt
-  local tag=$1 ck=${CKPT:-ml/runs/$1/best.pt} o
+  local tag=$1
+  [ -f ml/runs/$tag/best.pt ] || { echo "DAgger：ml/runs/$tag/best.pt 不存在（预训练没完成）"; return 3; }
+  run bash ml/dagger/run.sh $tag ml/runs/$tag/best.pt
+}
+m5_one() {      # $1 = 头标签；返回 0 通过 / 3 不通过。起点模型：CKPT > DAgger 结果 > 预训练 best.pt
+  local tag=$1 ck o
+  if [ -n "${CKPT:-}" ]; then ck=$CKPT; elif [ -f ml/runs/${1}_dagger.ckpt ]; then ck=$(cat ml/runs/${1}_dagger.ckpt); else ck=ml/runs/$1/best.pt; fi
   [ -f "$ck" ] || { echo "M5：$ck 不存在（训练发散或没训完）→ 按不通过处理"; return 3; }
   # 断点续跑：结果文件比检查点新 → 这一半已经评过，跳过
   o=ml/runs/m5_${tag}_policy.json; [ -f $o ] && [ $o -nt "$ck" ] && echo "M5：$o 已有，跳过" || run $PY -m ml.sim.closed_loop --ckpt $ck --tasks ml/runs/nc_gate.jsonl --n ${M5_N:-1000} --out $o
@@ -154,6 +164,7 @@ case $stage in
             echo "警告：R2 不通过（近邻标签不自洽，见 ml/data/r2.json）。按默认继续训练，验收汇总会列出"
           fi ;;
   train)  train_one $CFG ;;
+  dagger) dagger_one $TAG ;;
   m5)     [ -f ml/runs/nc_gate.jsonl ] || run $PY -m ml.mining.mine_round --make-gate ${M5_N:-1000} --seed 4321 --mix 0,0,1,0 --name nc_gate.jsonl --out ml/runs
           if m5_one $TAG; then :
           elif [ "$TAG" != wta ] && [ "${AUTO_WTA:-1}" = 1 ] && [ -z "${CKPT:-}" ]; then
@@ -161,11 +172,12 @@ case $stage in
             echo "M5：$TAG 头不通过 → 自动训练 WTA 回退头（约 3 小时）"
             $PY -m ml.pstate set m5 branch=wta
             train_one ml/configs/wta.json
+            dagger_one wta
             m5_one wta || { echo "M5：两种头都未通过，把 ml/runs/m5_gate_*.json 发我"; exit 3; }
           elif [ "${M5_STRICT:-1}" = 0 ]; then echo "M5：不通过，M5_STRICT=0（冒烟）→ 照常继续"; echo ml/runs/$TAG/best.pt > $SEL
           else echo "M5：不通过，把 ml/runs/m5_gate_*.json 发我"; exit 3; fi ;;
   apg)    ck=$(ckpt); res=""; [ -f ml/runs/apg/last.pt ] && { res="--resume ml/runs/apg/last.pt"; echo "发现 ml/runs/apg/last.pt → 续跑"; }
-          run $PY -m ml.apg.apg_finetune --init $ck --samples ml/data/samples --out ml/runs/apg ${APG_FIRST_STEPS:+--steps $APG_FIRST_STEPS} $res; cp ml/runs/apg/best.pt ml/runs/current.pt ;;
+          run $PY -m ml.apg.apg_finetune --init $ck --samples ml/data/samples $(ls -d ml/data/samples_dag_* 2>/dev/null | tr '\n' ' ') --out ml/runs/apg ${APG_FIRST_STEPS:+--steps $APG_FIRST_STEPS} $res; cp ml/runs/apg/best.pt ml/runs/current.pt ;;
   mine)   run bash ml/mining/loop.sh $ROUNDS $APG_STEPS $MINE_N ;;
   monitor) run $PY -m ml.monitor ${MONITOR_ARGS:-} ;;
   selftest) run bash ml/selftest.sh ;;

ml/prep/build_dataset.cjs

@@ -6,7 +6,9 @@
  *   V  [N]      剩余时间（s）/ 5
  *   SG [N,13]   子目标标签：剩余两个途经点相对当前 q 的差 / 180（不足用终点补）+ 是否需要
  *   TID[N]      任务编号（tasks.jsonl 行号所在的全局 id，用于划分与闭环验证）
- * 增广：30% 样本对 q_t 加 σ=1° 噪声，标签改为 8 步内线性收回老师轨迹（噪声态须无干涉且间隙 > 1 mm）；
+ * 增广（2026-10-18 首次正式预训练后加大）：40% 样本对 q_t 加 σ=AUG_SIGMA（默认 3°）噪声，标签改为 AUG_BACK（默认 12）步内线性收回老师轨迹；
+ *   噪声态须无干涉且间隙 > MIN_GAP_MM，收回途中第 3/6/9/12 步也须无干涉（σ 加大后直接线性拉回可能穿过障碍）。
+ *   原为 30%、σ=1°、8 步：闭环一偏出 1° 就是没见过的状态，首次 21850 步闭环到达 0%。更大的偏离由 DAgger 阶段补（ml/dagger）。
  *       已提交前缀长度 r ∈ {0..3} 均匀随机，前缀取老师接下来 r 步的增量。 */
 'use strict';
 const fs = require('fs'), path = require('path');
@@ -28,6 +30,7 @@ const lines = fs.readFileSync(IN, 'utf8').split('\n').filter(Boolean);
 let nAug = 0, nAugRej = 0, nGapDrop = 0;
 /* 2026-10-18：认证最小间隙 < 3 mm 的老师轨迹不进训练集；噪声增广接受地板同步为 3 mm（原 1 mm）。 */
 const MIN_GAP_MM = +(process.env.MIN_GAP_MM || 3);
+const AUG_P = +(process.env.AUG_P || 0.4), AUG_SIGMA = +(process.env.AUG_SIGMA || 3), AUG_BACK = +(process.env.AUG_BACK || 12);
 for (const line of lines) {
   const r = JSON.parse(line);
   if (!r.keep) continue;
@@ -43,13 +46,16 @@ for (const line of lines) {
   for (let t = 0; t <= N; t += 3) {
     let q = traj[t].slice(), qPrev = (t > 0 ? traj[t - 1] : traj[0]).slice();
     let off = [0, 0, 0, 0, 0, 0], aug = false;
-    if (rnd() < 0.3) {
+    if (rnd() < AUG_P) {
-      const qn = q.map((v, j) => { let x = v + gauss(); const t2 = L[O[j]]; if (!t2.cont) x = Math.max(t2.lo, Math.min(t2.hi, x)); return x; });
+      const qn = q.map((v, j) => { let x = v + AUG_SIGMA * gauss(); const t2 = L[O[j]]; if (!t2.cont) x = Math.max(t2.lo, Math.min(t2.hi, x)); return x; });
       nAug++;
-      if (S.collideFree(qn) && S.clearance(qn, 5) > MIN_GAP_MM) { off = qn.map((v, j) => v - q[j]); q = qn; qPrev = qPrev.map((v, j) => v + off[j]); aug = true; }
+      const o2 = qn.map((v, j) => v - q[j]);
-      else nAugRej++;
+      const back = k => traj[Math.min(N, t + k)].map((v, j) => v + o2[j] * Math.max(0, 1 - k / AUG_BACK));
+      if (S.collideFree(qn) && S.clearance(qn, 5) > MIN_GAP_MM && [3, 6, 9, 12].every(k => k >= AUG_BACK || S.collideFree(back(k)))) {
+        off = o2; q = qn; qPrev = qPrev.map((v, j) => v + off[j]); aug = true;
+      } else nAugRej++;
     }
-    const pos = k => { const i = Math.min(N, t + k); const w = aug ? Math.max(0, 1 - k / 8) : 0; return traj[i].map((v, j) => v + off[j] * w); };
+    const pos = k => { const i = Math.min(N, t + k); const w = aug ? Math.max(0, 1 - k / AUG_BACK) : 0; return traj[i].map((v, j) => v + off[j] * w); };
     const y = new Float32Array(H * 6);
     let prevP = q;
     for (let k = 1; k <= H; k++) { const pk = pos(k); for (let j = 0; j < 6; j++) y[(k - 1) * 6 + j] = Math.max(-1, Math.min(1, (pk[j] - prevP[j]) / STEP[j])); prevP = pk; }

ml/pstate.py

@@ -26,27 +26,29 @@ LOCK_STALE_S = 300          # 心跳每 60 s 一次；5 分钟没刷新 = 持锁
 # 阶段顺序、名称、估时（小时，按 README §耗时表的共识分支上界；网页进度权重即此值）
 STAGES = [
     ('setup', '安装依赖', 0.2), ('kin', '对拍', 0.2), ('r4', '推理延迟', 0.2), ('gate1', '一致性门禁', 0.5),
-    ('gen', '生成老师轨迹', 5.0), ('prep', '打包样本', 0.5), ('train', '预训练', 3.0), ('m5', '头门禁', 0.5),
+    ('gen', '生成老师轨迹', 5.0), ('prep', '打包样本', 0.5), ('train', '预训练', 4.5), ('dagger', 'DAgger 纠偏', 3.5), ('m5', '头门禁', 0.5),
     ('apg', 'APG 微调', 4.0), ('mine', '挖错循环', 9.0), ('export', '导出', 0.1), ('bench', '部署评测', 1.0),
     ('accept', '验收汇总', 0.5)]
 ORDER = [s[0] for s in STAGES]
 EST_H = {s[0]: s[2] for s in STAGES}
 # m5 不过时流程内自动训 WTA 头（训练 3 h + 门禁），超时按分支后的总量给
 TIMEOUT_H = {k: max(1.0, 3 * v) for k, v in EST_H.items()}
-TIMEOUT_H['m5'] = 3 * (EST_H['train'] + 2 * EST_H['m5'])
+TIMEOUT_H['m5'] = 3 * (EST_H['train'] + EST_H['dagger'] + 2 * EST_H['m5'])
 # 参数 → 受它影响的阶段（这些阶段即使上次完成也要重跑，其产物先挪进 ml/archive/）。只改挖错轮数不会让 5 小时的生成作废。
 _from = lambda st: ORDER[ORDER.index(st):]
 AFFECTS = {**{k: _from('gen') for k in ('N_TASKS', 'NPROC', 'CONSENSUS', 'MIN_GAP_MM')},
            # TARGET_SAMPLES 只决定"补量到多少"：不作废 gen 的已有分片（重跑 gen 会跳过写完的 shard、按差额补量），
            # 但样本集会变，所以 prep 及之后作废。2026-10-18 实测：把它当"从 gen 作废"会让 5 小时的 5 万条分片白跑。
            'TARGET_SAMPLES': ['gen'] + _from('prep'),
-           'CFG': ['r4'] + _from('train'), **{k: _from('mine') for k in ('ROUNDS', 'APG_STEPS', 'MINE_N')}}
+           'CFG': ['r4'] + _from('train'), **{k: _from('dagger') for k in ('DAG_ROUNDS', 'DAG_N', 'DAG_STEPS')},
+           **{k: _from('mine') for k in ('ROUNDS', 'APG_STEPS', 'MINE_N')}}
 PARAM_KEYS = list(AFFECTS)
 # 各阶段产物（相对仓库根，可含通配）；作废 / 从头重跑时整体移到 ml/archive/<时间>/，不删除
 PRODUCTS = {
     'r4': ['ml/runs/r4', 'ml/runs/r4.json'], 'gate1': ['ml/data/consistency.json'],
     'gen': ['ml/data/shard_*', 'ml/data/log_*', 'ml/data/stats.json'], 'prep': ['ml/data/samples', 'ml/data/r2.json'],
-    'train': ['ml/runs/base', 'ml/runs/wta', 'ml/runs/small', 'ml/runs/bench_*'],
+    'train': ['ml/runs/base', 'ml/runs/wta', 'ml/runs/small', 'ml/runs/bench_*', 'ml/runs/replay_teacher.json'],
+    'dagger': ['ml/runs/*_dag[0-9]*', 'ml/runs/*_dagger.ckpt', 'ml/data/dag_*', 'ml/data/samples_dag_*'],
     'm5': ['ml/runs/m5_*', 'ml/runs/selected_ckpt'], 'apg': ['ml/runs/apg', 'ml/runs/current.pt'],
     'mine': ['ml/runs/mine', 'ml/runs/apg_r*', 'ml/data/e2', 'ml/data/samples_e2'],
     'export': ['webapp/models/traj_policy.onnx', 'webapp/models/traj_policy.meta.json'],

ml/train.py

@@ -2,7 +2,13 @@
   python -m ml.train --samples ml/data/samples --out ml/runs/base [--config ml/configs/base.json]
   吞吐摸底：python -m ml.train --samples ml/data/samples --out ml/runs/bench_base --steps 2000 --no-eval
   通过线（方案 R10）：全程 60000 步 ≤ 3.5 h，即 samples_per_s ≥ 5000（3090 实测 6.2 k/s ≈ 2.8 h）；日志 eta_h 为剩余小时数。
-每 eval_every 步做一次闭环验证（ml/sim/closed_loop.py，部署节奏），按 success 存 best.pt；连续 patience_evals 次不升即停。"""
+每 eval_every 步做一次闭环验证（ml/sim/closed_loop.py，部署节奏），按 success 存 best.pt；连续 patience_evals 次不升即停。
+2026-10-18 首次正式预训练（21850 步，闭环到达 0–0.2%、穿柱 77–97%）后改：
+  - FK / 平滑损失不再加在 one_step(随机噪声) 上（那样等于对任意噪声回归同一个 Y → 条件均值，多峰头塌成单峰），
+    改加在 MF 分支里 r==t 且 t ≤ fk_tmax 的样本的配对去噪估计 x̂ = z − t·u 上（见 ml/model/meanflow.py）；
+  - p_neq 前 p_neq_warm 步为 0（纯 flow matching 先把瞬时速度场学稳，再开 r≠t 的自举目标）；
+  - 每次评估加开环指标（val 样本上一步采样的 16 步末端 FK 误差 mm、K 个候选的多样性），
+    塌缩或学偏当场可见；best / 早停按 success 为主、开环误差为次（success 同为 0 时也能分出好坏，不会 10000 步就误停）。"""
 import argparse, json, math, os, sys, time
 import torch
 
@@ -12,7 +18,7 @@ from ml.common.ckpt import Saver, atomic_save, rng_state, set_rng_state
 from ml.common import vram
 from ml.data import Samples, load_tasks
 from ml.model.policy import build, wta_loss
-from ml.model.meanflow import meanflow_loss, one_step
+from ml.model.meanflow import meanflow_loss
 from ml.sim.closed_loop import evaluate
 
 
@@ -28,28 +34,61 @@ def q_from_feat(X):
     return torch.atan2(s, c) / D2R
 
 
+@torch.no_grad()
+def open_loop(model, kin, vdata, stepv, fk_idx, n=1024, K=8):
+    """开环指标（val 样本，老师状态上）：
+    ol_fk_mm  候选 0 的 16 步末端与老师 Y 末端的胶囊点平均距离（mm）；
+    ol_best_mm K 个候选里最接近老师的那条的同一误差（多峰时它应明显小于 ol_fk_mm）；
+    ol_div    K 个候选间标准差 / 动作平均幅度（塌成单峰时接近 0；首次正式预训练 last.pt 实测 0.20）。"""
+    g = torch.Generator(device=vdata.X.device); g.manual_seed(123)
+    X, Y, _, _ = vdata.batch(min(n, vdata.n), gen=g)
+    act, _, _ = model.sample_k(X, K)
+    act = act.float().clamp(-1, 1)
+    q = q_from_feat(X)
+    qt = q + (Y * stepv).sum(1)
+    qh = q[:, None] + (act * stepv).sum(2)                                   # [B,K,6]
+    pt = fk_points(kin, qt, fk_idx)[:, None]
+    ph = fk_points(kin, qh.reshape(-1, 6), fk_idx).view(X.shape[0], K, -1, 3)
+    err = (ph - pt).norm(dim=-1).mean(-1)                                     # [B,K] mm
+    div = (act.std(1).mean() / act.abs().mean().clamp(min=1e-6)).item()
+    return {'ol_fk_mm': err[:, 0].mean().item(), 'ol_best_mm': err.min(1).values.mean().item(), 'ol_div': div}
+
+
 def main():
     ap = argparse.ArgumentParser()
     ap.add_argument('--samples', nargs='+', default=['ml/data/samples']); ap.add_argument('--out', default='ml/runs/base')
     ap.add_argument('--config', default='ml/configs/base.json'); ap.add_argument('--steps', type=int, default=None)
     ap.add_argument('--resume', default=None); ap.add_argument('--no-eval', action='store_true')
+    ap.add_argument('--init', default=None, help='只载入权重、优化器与步数从 0 开始（DAgger 微调用）')
+    ap.add_argument('--lr', type=float, default=None); ap.add_argument('--warmup', type=int, default=None)
     ap.add_argument('--stop-at', type=int, default=0, help='自检用：跑到第 N 步按停止请求处理（存 last.pt、rc 143）')
     ap.add_argument('--device', default='cuda' if torch.cuda.is_available() else 'cpu'); ap.add_argument('--seed', type=int, default=0)
     a = ap.parse_args()
     cfg = json.load(open(a.config)); tc = cfg['train']
     if a.steps: tc['steps'] = a.steps
+    if a.lr: tc['lr'] = a.lr
+    if a.warmup is not None: tc['warmup'] = a.warmup
+    if a.init: tc['p_neq_warm'] = 0          # 微调起点已训过 r≠t，不再预热
     os.makedirs(a.out, exist_ok=True)
     torch.manual_seed(a.seed)
     dev = a.device
     vram.limit()
+    if dev.startswith('cuda'):
+        torch.backends.cuda.matmul.allow_tf32 = True; torch.backends.cudnn.allow_tf32 = True   # MF 分支改 fp32 后用 TF32 保吞吐
     kin = Kin(device=dev)
     data = Samples(a.samples, device=dev, split='train')
     val_tasks = [t for t in load_tasks(a.samples) if t['split'] == 'val'][:tc['eval_tasks']]
+    try: vdata = Samples(a.samples, device=dev, split='val')
+    except SystemExit: vdata = None
+    if vdata is not None and vdata.n == 0: vdata = None
     print(f'train samples {data.n}, val tasks {len(val_tasks)}, device {dev}', flush=True)
     model = build(cfg).to(dev)
     print(f'params {sum(p.numel() for p in model.parameters()) / 1e6:.2f} M', flush=True)
     opt = torch.optim.AdamW(model.parameters(), lr=tc['lr'], betas=tuple(tc['betas']), weight_decay=tc['wd'])
     step0, best, bad_evals = 0, -1.0, 0
+    if a.init and not a.resume:
+        ck = torch.load(a.init, map_location=dev); model.load_state_dict(ck['model'])
+        print(f'微调：权重取自 {a.init}（第 {ck.get("step")} 步），优化器重置', flush=True)
     if a.resume:
         ck = torch.load(a.resume, map_location=dev); model.load_state_dict(ck['model'])
         if 'opt' in ck: opt.load_state_dict(ck['opt'])
@@ -82,19 +121,23 @@ def main():
             if model.head == 'wta':
                 l_mf, xh = wta_loss(model, mem, Y); mf_raw = l_mf.detach(); xh = xh.float()
             else:
-                l_mf, mf_raw = meanflow_loss(model, mem, Y, p_neq=tc['p_neq'])
+                p_neq = tc['p_neq'] if step >= tc.get('p_neq_warm', 5000) else 0.0
-                e = torch.randn_like(Y)
+                l_mf, mf_raw, aux = meanflow_loss(model, mem, Y, p_neq=p_neq, return_aux=True)
-                xh = one_step(model, mem, e).float()
+                sel = ((aux['r'] == aux['t']) & (aux['t'] <= tc.get('fk_tmax', 0.3))).nonzero(as_tuple=True)[0]
+                tt = aux['t'][sel][:, None, None]
+                xh = aux['z'][sel] - tt * aux['u'][sel]          # 配对去噪估计（fp32）
             v, s = model.heads(mem)
         l_val = (v.float() - V).abs().mean(); l_sub = (s.float() - SG).abs().mean()
-        d2 = xh[:, 2:] - 2 * xh[:, 1:-1] + xh[:, :-2]
+        Xf, Yf = (X, Y) if model.head == 'wta' else (X[sel], Y[sel])
-        l_sm = d2.pow(2).mean()
+        l_sm = torch.zeros((), device=dev); l_fk = torch.zeros((), device=dev)
-        l_fk = torch.zeros((), device=dev)
+        if xh.shape[0] > 0:
-        if tc['w_fk'] > 0:
+            d2 = xh[:, 2:] - 2 * xh[:, 1:-1] + xh[:, :-2]
-            q = q_from_feat(X)
+            l_sm = d2.pow(2).mean()
+        if tc['w_fk'] > 0 and xh.shape[0] > 0:
+            q = q_from_feat(Xf)
             ks = torch.tensor([3, 7, 11, 15], device=dev)
             qh = q[:, None] + torch.cumsum(xh.clamp(-1, 1) * stepv, 1)[:, ks]
-            qt = q[:, None] + torch.cumsum(Y * stepv, 1)[:, ks]
+            qt = q[:, None] + torch.cumsum(Yf * stepv, 1)[:, ks]
             B4 = qh.shape[0] * 4
             ph = fk_points(kin, qh.reshape(B4, 6), fk_idx); pt = fk_points(kin, qt.reshape(B4, 6), fk_idx)
             l_fk = ((ph - pt).norm(dim=-1) / 10).mean()
@@ -119,12 +162,14 @@ def main():
             model.eval()
             # bs=64 + 归还缓存池：WDDM 卡满时 15.9 GiB 的评估峰值会被驱动换出到内存，eval 从 2 分钟变 1 小时
             res, _ = evaluate(model, kin, val_tasks, dev, bs=64)
+            if vdata is not None: res.update(open_loop(model, kin, vdata, stepv, fk_idx))
             torch.cuda.empty_cache()
             res['step'] = step + 1; res['t'] = time.time()
             print('EVAL', json.dumps(res), flush=True); log.write(json.dumps({'eval': res}) + '\n'); log.flush()
             save('last.pt', step + 1)
-            if res['success'] > best + 1e-4:
+            sc = res['success'] - 1e-3 * min(res.get('ol_fk_mm', 0.0), 500.0)    # 到达率为主，开环误差（mm）只在到达率打平时起作用
-                best = res['success']; bad_evals = 0; save('best.pt', step + 1, {'eval': res})
+            if sc > best + 1e-5:
+                best = sc; bad_evals = 0; save('best.pt', step + 1, {'eval': res})
             else:
                 bad_evals += 1
                 if bad_evals >= tc['patience_evals']: print('闭环到达率不再上升，停止', flush=True); break
@@ -132,7 +177,7 @@ def main():
         print('训练发散，last.pt / best.pt 保留发散前的存档', flush=True); return
     save('last.pt', step + 1)
     if a.no_eval: save('best.pt', step + 1)
-    print(f'done, best success {best:.4f}, {(time.time() - t0) / 3600:.2f} h', flush=True)
+    print(f'done, best score（到达率 − 0.001×开环 mm）{best:.4f}, {(time.time() - t0) / 3600:.2f} h', flush=True)
 
 
 if __name__ == '__main__':