docs(本机执行清单): DAgger 小样本试跑通过——collect 16 题 12.7s/29 起点，64 题显存峰值 7.98GB 无 OOM；老师重规划 15 起点 7.6s、打包 2.3s（453 样本）；提醒 build_dataset 默认 act_scale=1.25 与旧主数据 1.0 不一致，全量前须显式 ACT_SCALE=1.0 或先重打主数据

docs/本机执行清单.md

@@ -157,3 +157,23 @@ reach **0%** / collision **79.0%** / ratio2s 0.574 / end 408 mm；`sign_flip_rat
 - **三组碰撞率相同（79–83%）、到达全 0**——不存在"一小撮可提前去掉的坏题"；发散题散布在所有类别，老师都能到达。
 - r2 与起点误差秩相关 **−0.384**（起点误差小 → 比值易大），是**分母效应**：短任务（老师 1.8 s、e0 374 mm）比值波动大，不代表题目特殊；r2 与老师时长/行程几乎无关（−0.09 / −0.03）。
 - 结论：误差放大是**全体题目上的普遍行为**，筛题无效（只让指标好看），必须训练侧修正。
+
+### 7. DAgger 小样本试跑（用户授权；未跑全量、未微调）
+
+**链路实测**（ckpt `ml/runs/base/last.pt`，旧口径 act_scale=1.0）：
+
+| 步骤 | 规模 | 实测 |
+|---|---|---|
+| `ml.dagger.collect`（16 题，parts=2） | 16 题 | **12.7 s**（含加载），29 个起点（全撞，拒 1 个 gap） |
+| `ml.dagger.collect --n 64`（显存采样） | 64 题 | 成功，112 个起点（拒 10 gap），**显存峰值 7.98 GB**（24 GB 卡，无 OOM） |
+| `node ml/gen/gen_dataset.cjs --tasks tasks_01.jsonl` | 15 个起点 | **7.6 s**，shard 含 qPrev / v0 / traj / cert |
+| `ACT_SCALE=1.0 node ml/prep/build_dataset.cjs …` | 13 题 | **2.3 s**，453 样本（175 增广），meta `act_scale:1, data_ver:2` |
+
+**关键口径提醒**：`build_dataset.cjs` 现在默认 **ACT_SCALE=1.25**（DATA_VER 2），而现有主数据 `ml/data/samples` 无 meta → 训练按 **1.0** 读。两者不一致时训练直接报错（README 第 120 行）。全量 DAgger 前二选一：
+1. 打包 DAgger 时显式 `ACT_SCALE=1.0`（与旧主数据、旧 ckpt 兼容）；
+2. 先按新流程 `FRESH_FROM=prep` 重打主数据为 1.25、重训后再跑 DAgger。
+本次试跑全部用 1.0；产物在 `ml/data/dag_try*/`（gitignored）。
+
+**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。