ml: 按运行手册审查修订——头分目录不互相覆盖（ml/runs/<CFG>、selected_ckpt/CKPT）；统一 $PYTHON（Windows Git Bash 可跑）；gen 按实测样本/任务自动补量；R10 改终态判据（≥5k 样本/s≈60k 步≤3.5h）；m5 纯策略/仿真安全层双口径；无老师题定长 6 s 口径；APG 展开随批时长、端点+中点铰链、余量 3 mm（投影同步）；挖错池只用本轮；门禁加 R7；bench 加 R8 对抗集与刹停率、--nc-n/--route-n/--r8-n；新增 check_r2 与 acceptance；export 默认 fp32；出题分块防 OOM；val 为空保护

ml/train.py

@@ -1,6 +1,7 @@
 """预训练（方案 §6）：MeanFlow 一步头 + FK 损失 + 平滑 + 价值头 + 子目标头。
   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 --steps 2000 --no-eval
+  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。"""
 import argparse, json, math, os, time
 import torch
@@ -54,7 +55,9 @@ def main():
     amp = dev.startswith('cuda') and tc.get('amp') == 'bf16'
     stepv = torch.tensor(STEP, device=dev)
     fk_idx = torch.linspace(0, kin.cap_a.shape[0] - 1, tc['fk_caps'], device=dev).long()
-    log = open(os.path.join(a.out, 'log.jsonl'), 'a')
+    log = open(os.path.join(a.out, 'log.jsonl'), 'a' if a.resume else 'w')   # 新训练覆盖旧日志，续训才追加
+    if not val_tasks and not a.no_eval:
+        print('没有 val 任务（样本太少），本次跳过闭环验证', flush=True); a.no_eval = True
     bad_evals, t0, seen = 0, time.time(), 0
     def save(name, step, extra=None):
         d = {'model': model.state_dict(), 'opt': opt.state_dict(), 'cfg': cfg, 'step': step, 'best': best, 'fp': kin.fp}
@@ -95,7 +98,8 @@ def main():
         if step % tc['log_every'] == 0:
             el = time.time() - t0
             rec = {'step': step, 'loss': loss.item(), 'mf': mf_raw.item(), 'fk_cm': l_fk.item(), 'smooth': l_sm.item(),
-                   'value': l_val.item(), 'sub': l_sub.item(), 'gnorm': gn.item(), 'lr': lr_at(step), 'samples_per_s': seen / max(el, 1e-6)}
+                   'value': l_val.item(), 'sub': l_sub.item(), 'gnorm': gn.item(), 'lr': lr_at(step), 'samples_per_s': seen / max(el, 1e-6),
+                   'eta_h': (total - step - 1) * tc['batch'] / max(seen / max(el, 1e-6), 1e-6) / 3600}
             print(json.dumps(rec), flush=True); log.write(json.dumps(rec) + '\n'); log.flush()
         if not a.no_eval and (step + 1) % tc['eval_every'] == 0:
             model.eval()