第五轮：锁/续跑/超时/自动分支/R4 探针与 encode-once/控制台加固；阶段内断点续跑（gen 按条、prep 按 shard、训练与 APG 定时原子存档+体面停止）；分歧以实现方意见为准

2026-10-18 06:40:25 +08:00
parent 3675fbbd9b
commit f40a40c56b
36 changed files with 1199 additions and 285 deletions
@@ -556,3 +556,103 @@ batch 缩放（4 线程，同一会话）：B=1 → 6.2/7.2；B=2 → 10.3；B=4
 3. **周期账**：部署每 3 步（60 ms）一次推理，安全层单次预算 `safetyMs:30`。4 线程下推理 33 ms 已吃掉一半以上——安全层只要超过 27 ms 就必然丢步；16 线程下 13.7 + ≤30 才谈得上有余量。也就是说 R4 与 R9（贴柱处安全层全程 P99 < 5 ms）是同一个 60 ms 周期的两半，必须一起测。
 4. **没拿到的数（如实）**：闭环实际倍率/丢步率没采到——我挂的探针一运行，CDP 连 15 s 都取不到执行槽（连 `list_console_messages` 都超时），标签页要到切走才恢复。这本身就是主线程（投影有限差分 + 认证递归都在主线程）在 4 线程 wasm 下已经很挤的证据。R9 因此仍无数据。
 5. 残留：`webapp/models/traj_policy_r4.onnx`(+`.meta.json`，共 19.8 MB) 是未跟踪文件，`meta.random_init=true`；serve.py 已停，浏览器标签已释放。它同时验证了 N-5 的隐患是真的——这个文件与第 10 步 `export` 的默认输出同名同目录，只差文件名后缀。
+
+---
+---
+
+# 第五轮：对第四轮的处置（实现方回复，2026-10-18）
+
+处置对象：第四轮 N-1～N-16、第六节「无人值守跑完」四个缺口、第七节 R4 实测。
+结论先说：**第四轮全部认可，按第六节的目标一次改完**（不走 A/B/C 分批）。三道门槛（运行时 5 mm 护栏、M5 ≤ 2%、`collisionFrames = 0`）不动；「跑通 ≠ 达标」原样保留。
+
+## 〇、分歧裁决规则（用户 2026-10-18 确定）
+
+审查方与实现方意见不一致、讨论后仍定不下来时，**以实现方（Hark）的意见为准**，按它落地，不再停下来等第三方拍板。
+审查方的异议照常写进下一轮文档，附上判据；下一轮如果实测数据证明实现方错了，按数据改，不另起争论。
+本轮实际只有两处分歧：N-6 和 R4 的改法（见第二节）。按上述规则，两处均按实现方意见落地。
+
+## 一、逐条处置
+
+| 条目 | 处置（代码落点） | 自测 |
+|---|---|---|
+| N-7 并发无锁 | `ml/pstate.py` 新增互斥锁 `ml/runs/pipeline.lock`（`O_EXCL` 原子创建；pid + 每 60 s 心跳；5 分钟无心跳视为失效可接管）。`pipeline.sh` 在**任何**阶段入口先拿锁，`all` 的子阶段继承；监控页判断是否在跑只看锁，不再看日志新鲜度。生成改为先写 `shard_XXXX.jsonl.part`、写完才改名 | 先起 gate1，再起 gen → 立即拒绝（返回码 9，报出持锁 pid）；TERM 后阶段记 143、锁释放 |
+| N-8 控制口无校验 | `/api/start`、`/api/stop` 要求自定义头 `X-Console: 1`，`Origin` 和 `Sec-Fetch-Site` 有值时必须同源。跨站页面加自定义头会触发 CORS 预检，本服务不应答 OPTIONS，浏览器就不会发出请求 | 不带头 → 403；带头但 `Origin: https://evil.com` → 403；同源 → 200 |
+| N-9 刷新全量读 shard | 行数按文件增量统计（记住偏移，只读新增字节），只在 gen 阶段做；其他阶段用 `stats.json` 的 `tasks` | — |
+| N-10 启动器 Python | `console.bat` 尊重 `%PYTHON%`，判据改为 `import torch`；`console.sh` 依次试 `PYTHON` / `python` / `python3`，判据相同。monitor 启动后后台自检（训练用 Python、torch 版本、GPU、node、bash），不过则网页「开始训练」不可点、`/api/start` 拒绝；`all` 开头再查一次 `import torch` | 沙箱自检输出正确（CPU torch 给出「看不到 GPU」警告） |
+| N-11 生命周期 | Windows 子进程用 `CREATE_NO_WINDOW | CREATE_NEW_PROCESS_GROUP`（自带隐藏控制台，关掉控制台黑窗口不连带结束）；锁里记 Windows pid（Git Bash 的 `/proc/$$/winpid`），重开的控制台可按锁停止。APG 新增 `--resume`（`last.pt` 带优化器状态）；`loop.sh` 跳过已有 `gate.json` 的轮次、本轮 APG 断了从该轮 `last.pt` 续跑；`train` 自动带 `--resume`，测速 2000 步做过就跳过 | APG 2 步 → `--resume` 续到 4 步，日志「从第 2 步继续」，`last.pt` step=4 含 opt |
+| N-16 gen 无节拍 / 死循环 | `run_parallel.sh` 每 60 s 往控制台打一行节拍（已写条数 + 各进程最新进度），逐个 `wait` 子进程查返回码（原来的裸 `wait` 恒为 0），任一种子失败即返回码 6 并打印该种子日志尾部。`sampler.cjs` 所有拒绝采样设次数上限，超限抛错并写明「哪一类位形连续 N 次未命中」 | 4 条任务小跑：重跑时已完成种子跳过；补量第 1 次触发并写对 `target_tasks` |
+| N-5 随机模型踩真模型 | `r4` 导出到 `ml/runs/r4/traj_policy_r4.onnx`，不再写 `webapp/models/`；查看器遇到 `random_init` 默认拒绝（`&probe=1` 才放行，徽标标红「随机探针模型」）；`policy_bench.cjs` 拒绝；`acceptance` 新增「部署模型是训练产物」一项 | bench 加载随机模型 → 拒绝退出 |
+| N-2 R2 与池耦合 | 判据改为 `label_std_norm`：在距离较近的一半近邻对上做「标签差 ~ 近邻距离」线性回归，取距离 → 0 的截距。池变大只会让近邻更近、点更多，截距估的都是同一输入下的固有分歧；旧口径 `label_std_mean` 保留为参考，并记录 `pool`。不通过默认**警告并继续**，`R2_STRICT=1` 才停；验收里 R2 改为参考项 | 小样本可跑通（数值无意义）；池无关性要用 1.7 M 样本的 `--pool 50000` 与 `--pool 200000` 两跑验证（差 < 0.02 为成立） |
+| N-3 R7 口径 | `closed_loop.py` 新增 `j1_first`：J1 累计偏离首次超过 5° 时的方向，即真正的首次方向；全程不到 5° 的退回净方向。`gate.py` 去掉无用形参 | 语法检查 |
+| N-4 r8 不足额静默 | bench 记录 `requested` 与出题耗时 `genS`，不足额时打印警告；acceptance 对 `n < requested` 判不通过 | 见第三节 |
+| N-12 双写者 | 停止后的状态改写走 `pstate.mark_stopped()`（原子替换）；`pipeline.json` 只有 pstate 一个写者 | 网页停止 → 阶段记 −15、`current` 清空、锁删除 |
+| N-13 target 读失败 | 新增 `pstate get`，读不到时非零退出；`set -e` 下直接失败，不再算出 56 这类值 | `get gen target_tasks` 缺失 → rc 1 |
+| N-14 权重不同源 | 阶段名、估时、超时上限统一在 `pstate.STAGES`，由 `/api/status` 下发给网页；gen 权重 1.0 → 5.0（共识分支上界） | 示例页 4 个场景无报错 |
+| N-1 `MIN_GAP_MM` | `pipeline.sh` 统一 `export MIN_GAP_MM=3`，并作为参数记进 `pipeline.json`（改了会使生成及之后阶段作废）；prep 开头比对 `stats.json` 的 `minGapFilterMm`，不一致返回码 8；网页可设 | `MIN_GAP_MM=4` 跑 prep → 报错退出 |
+| N-6 分块 | **分歧，见第二节**。改为按空闲显存自动定块（用 1/4，256～8192） | — |
+| N-15 file:// demo | 示例模式在页面顶部显示黄色提示条；README 写明不要直接双击 html | — |
+
+第六节四个缺口的对应：
+
+| 缺口 | 落地 |
+|---|---|
+| 1 状态机闭环 | `pstate reset` 默认保留 rc=0 的阶段；`all` 只跑 `pstate todo` 列出的阶段。**参数变了只作废受影响的阶段**（`AFFECTS` 表：生成参数 → gen 起；`CFG` → r4 和 train 起；挖错参数 → mine 起），被作废阶段的产物移到 `ml/archive/<时间>/`，不删除；`FRESH=1` 全部作废。网页不再问起始阶段，只选「续跑 / 从头重跑」 |
+| 2 互斥 + 脱离控制台 | 见 N-7、N-11 |
+| 3 门槛自动分支 | R2 默认警告继续；M5 base 不过 → 流程内自动训 WTA 再判，两头都不过才停（`AUTO_WTA=0` 关闭）；补量上限 2 → 4 次，补完仍不足 90% 目标时警告并继续；R4 自动探针（第二节） |
+| 4 心跳与超时 | 每阶段 `timeout_h` = 估时 ×3（m5 按含 WTA 分支计），`all` 用 `timeout -k 120` 包住每个阶段，超时整组进程收到 TERM，阶段记 `timed_out`、放锁；网页显示「本步粗估 / 上限」与「超过时间上限，判定卡死」 |
+
+自测（沙箱、秒级）：用 `TIMEOUT_SCALE=0.002` 把 gate1 上限压到 10 s → 返回码 124，阶段标 `timed_out`，node 子进程全部结束，锁释放。
+
+## 二、两处分歧（按第〇节规则以实现方意见落地）
+
+### N-6：不是自相矛盾
+
+`kin.gaps` 按 `d² ≤ (胶囊对下限 + cap)²` 筛候选对。`min_gap_chunked` 用 `cap = 0.5 mm`，每个随机位形幸存约 2800 对（≈ 1.5 MB）；`column_gap` 用 `cap = 40 mm`，40 mm 以内幸存的对多一个量级（≈ 20 MB）。两处的峰值差 13 倍是 cap 不同造成的，两个默认块大小在各自的 cap 下都对。
+第四轮说得对的是「24 GB 显存上 256 偏小、拖慢出题」，所以块大小改为按空闲显存自动计算（`tasks.auto_chunk`），两处只需传入各自的每位形峰值。
+
+### R4：33 ms 里不全是模型本身的开销
+
+第四轮的结论是「必须动结构，二选一：去掉重复 encoder，或 K=8 → 4」。我的处置不同：
+
+1. **推理移出主线程（第四轮没提，最重要）**：原来 `ik-policy-glue.js` 没开 `ort.env.wasm.proxy`，wasm 推理在主线程同步执行。第七节第 4 条里「CDP 15 s 拿不到执行槽」就是这个原因；50 Hz 的 `tick` 也被一起拖住，所以丢步不只来自推理时长本身。现在默认开代理 Worker（`&proxy=0` 关），创建失败时自动退回主线程并在徽标上写明。
+2. **编码一次**：同意第四轮的方向 ①。ONNX 接口改为 `feat[1,83]`、`z[K,16,6]`（`Policy.sample_shared`，`meta.enc_once`）；导出时断言与旧接口逐元素一致（误差 < 1e-4）；运行时按 `meta.enc_once` 只送 1 行，旧模型照常可用。按 base.json 粗算，encoder 约占总计算 29%，可省约 25%；**沙箱 CPU 实测**（onnxruntime 2 vCPU，200 次）：旧接口 P50 10.03 / P99 10.34 ms → 新接口 8.03 / 8.18 ms，省约 20%。
+3. **线程数**：默认 `min(16, ⌊0.6×逻辑核⌋)`（28 核机 = 16，即第七节实测最优），`&threads=N` 可覆盖。
+4. **K=8 不降**：降 K 损失的是选优质量，要有 M5 / 闭环数字才能判，现在没有依据。
+5. **WebGPU 必须测**：方案 R4 行本来就写了要同测 WebGPU，第七节没测。探针现在 4 种配置都测：默认线程 + Worker（部署口径）、4 线程（对照）、默认线程不开 Worker（看 `tickGapMax`，即推理是否卡住 20 ms 节拍）、WebGPU。
+
+**判定顺序**：部署口径 P99 < 15 ms 即通过；wasm 不过而 WebGPU 过，也判通过并记 `deploy_ep: webgpu`；两者都不过，流程在训练前停下（返回码 5），改 `CFG=ml/configs/small.json`（d=128）重跑。
+**预估（未实测，不当已解决）**：16 线程旧接口 P99 19.5 ms × (1 − 0.2～0.25) ≈ 14.6～15.6 ms，正好踩在线上；WebGPU 在 3090 上的数字是这一轮最关键的未知数。
+**R9**：探针只测纯推理。贴柱处安全层耗时（R9）仍以 bench 的 `safetyMsP99` 为准；推理移出主线程后，安全层独占主线程，R4 与 R9 合起来要小于 60 ms 周期这笔账，等真机数据再核。
+
+## 三、断点续跑（用户 2026-10-18 追加要求）
+
+要求：长时间的步骤意外中断（断电、蓝屏、误关、手动停止）后能接着跑，不从头来。阶段级跳过上一版已有，这一版把**阶段内部**也做成可续：
+
+| 阶段 | 续跑粒度 | 做法 |
+|---|---|---|
+| gen | 每条任务 | 第 i 条任务的随机数只由（种子, i）决定（`sampler.reseed`）；`.part` 里保留完整的行、截掉写了一半的最后一行，从下一条接着写。沙箱验证：截断后续写的结果与一次写完逐条一致（id、q0、keep 全同）。 |
+| prep | 每个 shard | `tasks.jsonl` 最后写且先写 `.tmp` 再改名，它存在且比 shard 新就跳过；shard 已不存在的旧打包删掉。 |
+| train / WTA | 最多 10 分钟 | 每 10 分钟原子写 `last.pt`（`ckpt_min`，先写 `.tmp` 再 `os.replace`，写到一半断电旧档仍完整），含优化器、步数、最好成绩、早停计数；发散时不再用发散权重覆盖 `last.pt` / `best.pt`。 |
+| apg / 挖错 | 最多 10 分钟 | 同上；挖错已过门禁的轮次跳过。 |
+| m5 | 半个门禁 | 比检查点新的 `m5_<头>_policy.json` / `_safety.json` 跳过；结果文件改为原子写；检查点不存在按不通过处理（直接进入 WTA 分支）。 |
+
+**停止也不丢进度**：网页「停止」在训练类阶段先写 `ml/runs/STOP`，训练进程 2 秒内看到后存档、以 143 退出，最多等 90 秒才硬杀（Windows 的 `taskkill /F` 收不到信号，所以靠文件）。终端 Ctrl+C / `kill` 走信号，同样先存档。新一次运行拿到锁时清掉旧的 STOP。
+沙箱验证：STOP 文件 → rc 143、`last.pt` 在第 180 步，续训从 180 到 200 正常收尾；`kill -TERM` → rc 143 并存档；`kill -9`（模拟断电）→ 定时存档的 `last.pt` 完好可读；打包第二次运行「待打包 0 个」。
+不续的只有几分钟级的步骤（kin、gate1、r4、export、bench、accept），整步重跑。
+
+## 四、仍未验证（如实）
+
+- **Windows 侧全部没有实测**：`CREATE_NO_WINDOW` 下关掉黑窗口训练能否继续跑；`/proc/$$/winpid` 与 `taskkill /T` 能否结束整棵树；Git Bash 自带的 `timeout` 能否把 TERM 送到 python.exe / node.exe 子进程（Linux 下已验证会结束整个进程组）。
+- **R4 探针没在真浏览器跑过**（沙箱没有 Chromium）：onnxruntime-web 1.20 的 proxy 从 jsDelivr 加载能否建出 Worker（建不出会自动退回并写明 `proxyError`）、无头模式下 WebGPU 是否可用。
+- R2 新判据的池无关性只能在 1.7 M 样本上验证（判据见第一节表）。
+- R8 出题耗时：沙箱 2 vCPU 出 2 题 9 分钟仍未出完，已停掉，改在本机测；`policy_bench.json` 的 r8 段会记录请求题数、实际题数和出题耗时。
+- 训练 / APG / 挖错的机时仍然零实测，第七节之后的结论不变。
+
+## 五、请在本机按顺序验证
+
+1. `git apply review5_fixes.patch`（基于 `e3bb783`）。
+2. 激活训练环境，双击 `ml/console.bat`：页面「全流程」卡片底部应显示 Python / torch / GPU；用 `set PYTHON=C:\不存在\python.exe` 再双击，应直接提示「不能 import torch」。
+3. 终端单跑 `bash ml/pipeline.sh r4`，把 `ml/runs/r4.json` 发我：4 种配置的 P50/P99、`proxy` 是否为 true、`tickGapMax`、WebGPU 数字。
+4. 网页「开始训练」（续跑），在 gen 节拍出现后：① 另开 Git Bash 跑 `bash ml/pipeline.sh gen`，应被拒绝（返回码 9）；② 关掉控制台黑窗口，任务管理器里 node 进程应仍在；③ 重新双击 `console.bat`，页面应显示「由上一个控制台窗口启动」，点「停止」应结束全部 node 进程。
+5. 其余照常跑到 prep，把 `stats.json`（`gapDrop`）与 `r2.json`（`label_std_norm` 和 `label_std_mean` 两个口径）发我。
+6. 断点续跑：gen 跑到一半点「停止」再点「续跑」，`ml/data/log_*.txt` 应出现「续写：已有 N 条」；train 跑过 10 分钟后点「停止」，终端应出现「已存档 last.pt（第 N 步）」，续跑后出现「续训：从第 N 步继续」。
@@ -519,9 +519,11 @@ MeanFlow
 </tr>
 <tr class="odd">
 <td>推理后端</td>
-<td>onnxruntime-web wasm-SIMD 多线程</td>
+<td>onnxruntime-web wasm-SIMD 多线程，推理放代理
+Worker（不占主线程），线程数 min(16, ⌊0.6×逻辑核⌋)；R4 探针同测
+WebGPU，wasm 不达标而 WebGPU 达标则部署用 WebGPU</td>
 <td>C</td>
-<td>小模型下 WebGPU 调度开销占主导</td>
+<td>小模型下 WebGPU 调度开销通常占主导，以 R4 实测为准</td>
 </tr>
 </tbody>
 </table>
@@ -882,7 +884,9 @@ WTA 谁更好</strong>；因此 WTA 只作为 M5
 </tr>
 <tr class="odd">
 <td>部署推理</td>
-<td>浏览器 onnxruntime-web wasm-SIMD 多线程；后续真机控制器</td>
+<td>浏览器 onnxruntime-web wasm-SIMD 多线程（代理 Worker）；ONNX 接口
+feat[1,83]、z[K,16,6]：观测编码一次、K=8
+条候选共享编码再解码；后续真机控制器</td>
 <td>与现有查看器同页</td>
 </tr>
 </tbody>
@@ -1515,10 +1519,15 @@ held-out 闭环仿真（开仿真安全层）测量，由
 <tr class="even">
 <td>R4</td>
 <td>浏览器推理延迟</td>
-<td>训练前用随机初始化模型导出 ONNX（延迟与权重无关），wasm-SIMD
-多线程测 batch=8 P99 &lt; 15 ms</td>
-<td>减小模型（d=128，约 1.8M 参数）；同时测 WebGPU，更快则换</td>
-<td><strong>M1 前（最大不确定项，训练前结掉）</strong></td>
+<td>训练前用随机初始化模型导出
+ONNX（延迟与权重无关），<code>pipeline.sh r4</code>
+无头浏览器自动测部署口径 K=8 P99 &lt; 15 ms（2026-10-18 本机实测旧接口 4
+线程 37.0 ms、16 线程 19.5 ms，均不达标）</td>
+<td>先做三项不改模型的改动：编码一次（沙箱 CPU 实测省约 20%）、默认线程
+16、推理移出主线程；仍不达标则 WebGPU 达标即用 WebGPU，否则
+d=128（<code>configs/small.json</code>，约 1.8M 参数）。K=8 不降</td>
+<td><strong>M1
+前（最大不确定项，训练前结掉；不过流程自动停）</strong></td>
 </tr>
 <tr class="odd">
 <td>R5</td>
@@ -1596,20 +1605,23 @@ a_max、插补频率与提交步数。</li>
 </ol>
 <hr />
 <h2 id="11-目录规划">11. 目录规划</h2>
-<p>运行步骤、命令与耗时见 <code>ml/README.md</code>。</p>
+<p>运行步骤、命令与耗时见
+<code>ml/README.md</code>。所有长步骤都能断点续跑，意外中断最多损失几分钟：生成按条续写（每条任务的随机数只由种子和序号决定），打包按
+shard 跳过，预训练与 APG 每 10 分钟原子存一次
+<code>last.pt</code>，停止时先存档再退出。</p>
 <pre><code>ml/
  pipeline.sh              阶段脚本：setup / kin / gate1 / gen / prep / train / m5 / apg / mine / export / bench
  gen/                     sampler / teacher（确定性 PRM A*）/ timelaw / gen_dataset / consistency / stats / run_parallel.sh
  prep/                    export_kin.cjs → assets/kin.json；build_dataset.cjs → data/samples/*.npy；run_prep.sh
  data/                    （不入库）shard_*.jsonl  stats.json  consistency.json  samples/
-  common/                  kin_torch.py（可微运动学 + 胶囊间隙）  features.py（83 维特征）
+  common/                  kin_torch.py（可微运动学 + 胶囊间隙）  features.py（83 维特征）  ckpt.py（原子存档、定时存档、体面停止）
  model/                   policy.py（MeanFlow 头；WTA K=8 回退头）  meanflow.py
  data.py  train.py        样本加载、预训练
  sim/closed_loop.py       闭环仿真（验证、挖错、门禁共用）
  apg/apg_finetune.py      APG 可微微调
  mining/                  tasks.py  mine_round.py  gate.py  loop.sh
  eval/                    dump_parity.cjs  check_parity.py（JS ↔ PyTorch 对拍）
-  configs/                 base.json  wta.json  apg.json
+  configs/                 base.json  wta.json  small.json  apg.json
  export_onnx.py  serve.py  README.md
 webapp/js/ik-policy.js       运行时：特征、距离下界认证、刹停、投影、精修、Runner（浏览器与 Node 共用）
 webapp/js/ik-policy-glue.js  查看器接入（?policy=1）
@@ -39,7 +39,7 @@
 | 安全层 | 距离下界认证 + 可刹停不变式 | A | Schwarzer 2005 连续认证；Thumm & Althoff 2022 failsafe |
 | 30/30 手段 | 子目标头、价值头、冷启动/卡死时短前瞻、卡死换向 | B / C | AWE、SHAC、BID |
 | 老师 | PRM 路网 A* + 捷径平滑（确定性）；A* 失败才用 `solveDyn` | B | MπNets：老师不一致碰撞率 13.78%，一致老师 0.94% |
-| 推理后端 | onnxruntime-web wasm-SIMD 多线程 | C | 小模型下 WebGPU 调度开销占主导 |
+| 推理后端 | onnxruntime-web wasm-SIMD 多线程，推理放代理 Worker（不占主线程），线程数 min(16, ⌊0.6×逻辑核⌋)；R4 探针同测 WebGPU，wasm 不达标而 WebGPU 达标则部署用 WebGPU | C | 小模型下 WebGPU 调度开销通常占主导，以 R4 实测为准 |

 ### 1.1 取舍决定（每项只有一个答案）

@@ -130,7 +130,7 @@
 |---|---|---|
 | 数据生成 | Hark 沙箱（2 vCPU / 7 GB，Node）或用户机器 | 纯 JS，无需 GPU |
 | 预训练 + 后训练 | 用户 RTX 3090 24 GB | batch 1024–2048 |
-| 部署推理 | 浏览器 onnxruntime-web wasm-SIMD 多线程；后续真机控制器 | 与现有查看器同页 |
+| 部署推理 | 浏览器 onnxruntime-web wasm-SIMD 多线程（代理 Worker）；ONNX 接口 feat[1,83]、z[K,16,6]：观测编码一次、K=8 条候选共享编码再解码；后续真机控制器 | 与现有查看器同页 |

 ```bash
 conda create -n armtf python=3.11 -y && conda activate armtf
@@ -444,7 +444,7 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:
 | R1 | 老师在相邻任务上左右绕行跳变，标签自相矛盾 | 起终点扰动 ±5 mm 的邻居任务同伦类一致率 ≥ 90% | 对 A* 边代价加左右偏好项，强制同区域选同侧 | M1 |
 | R2 | 时间律仍有不可观测成分，闭环起不了步 | 近邻样本标签方差 < 10% 步长（`ml/eval/check_r2.py`）；起步失败率 = 0（闭环 `start_fail`） | 进一步把剩余路程估计加入输入 | M1 / M5 |
 | R3 | 距离认证过于保守，贴柱处拒绝率高，影响 30/30 | near_column 上认证拒绝率统计；离线 10⁵ 段 0.01° 审计漏检 = 0 | 训练余量提高到 4–6 mm，接受行程变长；收紧杠杆界（按位形分区） | M2 / M7 |
-| R4 | 浏览器推理延迟 | 训练前用随机初始化模型导出 ONNX（延迟与权重无关），wasm-SIMD 多线程测 batch=8 P99 < 15 ms | 减小模型（d=128，约 1.8M 参数）；同时测 WebGPU，更快则换 | **M1 前（最大不确定项，训练前结掉）** |
+| R4 | 浏览器推理延迟 | 训练前用随机初始化模型导出 ONNX（延迟与权重无关），`pipeline.sh r4` 无头浏览器自动测部署口径 K=8 P99 < 15 ms（2026-10-18 本机实测旧接口 4 线程 37.0 ms、16 线程 19.5 ms，均不达标） | 先做三项不改模型的改动：编码一次（沙箱 CPU 实测省约 20%）、默认线程 16、推理移出主线程；仍不达标则 WebGPU 达标即用 WebGPU，否则 d=128（`configs/small.json`，约 1.8M 参数）。K=8 不降 | **M1 前（最大不确定项，训练前结掉；不过流程自动停）** |
 | R5 | MeanFlow 头在 6 轴、位姿目标下穿柱或训练不稳 | near_column 穿柱率（关安全层）≤ 2%；损失不发散 | 同骨干换 WTA K=8 头 | M5 |
 | R6 | 位姿目标的多 IK 分支带来额外多峰 | 不同肘/腕分支子集到达率 ≥ 主集 − 2 个百分点 | 加目标分支标志 | M5 |
 | R7 | APG 压缩多模态或拉长路径（ELMP 中路径 +23%） | 每轮门禁：B/C 类左右绕行比例变化 ≤ 5 个百分点、行程中位数比 ≤ 1.05（`ml/mining/gate.py`） | 加大 BC 锚定权重；行程项 | M6 |
@@ -469,7 +469,7 @@ for 每个 batch（随机采样 q0 和目标，不需要老师）:

 ## 11. 目录规划

-运行步骤、命令与耗时见 `ml/README.md`。
+运行步骤、命令与耗时见 `ml/README.md`。所有长步骤都能断点续跑，意外中断最多损失几分钟：生成按条续写（每条任务的随机数只由种子和序号决定），打包按 shard 跳过，预训练与 APG 每 10 分钟原子存一次 `last.pt`，停止时先存档再退出。

 ```
 ml/
@@ -477,14 +477,14 @@ ml/
  gen/                     sampler / teacher（确定性 PRM A*）/ timelaw / gen_dataset / consistency / stats / run_parallel.sh
  prep/                    export_kin.cjs → assets/kin.json；build_dataset.cjs → data/samples/*.npy；run_prep.sh
  data/                    （不入库）shard_*.jsonl  stats.json  consistency.json  samples/
-  common/                  kin_torch.py（可微运动学 + 胶囊间隙）  features.py（83 维特征）
+  common/                  kin_torch.py（可微运动学 + 胶囊间隙）  features.py（83 维特征）  ckpt.py（原子存档、定时存档、体面停止）
  model/                   policy.py（MeanFlow 头；WTA K=8 回退头）  meanflow.py
  data.py  train.py        样本加载、预训练
  sim/closed_loop.py       闭环仿真（验证、挖错、门禁共用）
  apg/apg_finetune.py      APG 可微微调
  mining/                  tasks.py  mine_round.py  gate.py  loop.sh
  eval/                    dump_parity.cjs  check_parity.py（JS ↔ PyTorch 对拍）
-  configs/                 base.json  wta.json  apg.json
+  configs/                 base.json  wta.json  small.json  apg.json
  export_onnx.py  serve.py  README.md
 webapp/js/ik-policy.js       运行时：特征、距离下界认证、刹停、投影、精修、Runner（浏览器与 Node 共用）
 webapp/js/ik-policy-glue.js  查看器接入（?policy=1）