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

docs/Transformer轨迹拟合训练方案.html

@@ -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）