exp(dagger-deploy): 轮次19——APG 修复两个既有 bug（_cat_gaps in-place、段边界 queue.detach 无梯度）后可跑，但碰撞铰链尺度失控（40万）且与部署形态不一致，暂不采用；转反馈蒸馏

ml/apg/apg_finetune.py

@@ -139,7 +139,10 @@ def main():
                 stats['tgt'] += lt.mean().item()
                 (seg_loss / nseg).backward()
                 seg_loss = torch.zeros((), device=dev)
-                q, qp, queue, prev_d = q.detach(), qp.detach(), queue.detach(), prev_d.detach()
+                # 只 detach 状态并重置队列：段边界下一 plan 走 r=0 重新提交（新图有梯度）；
+                # 沿用旧 queue 会跨过已 backward 的图（二次 backward 报错），也避免整段无梯度
+                q, qp, prev_d = q.detach(), qp.detach(), prev_d.detach()
+                queue = torch.zeros(B, 0, 6, device=dev)
         # BC 锚定
         X, Y, V, SG = data.batch(C['batch'] * 4)
         with torch.autocast('cuda', dtype=torch.bfloat16, enabled=amp):

ml/common/kin_torch.py

@@ -131,7 +131,8 @@ class Kin:
     def _cat_gaps(parts, starts):
         out = {'gm': torch.cat([p.pop('gm') for p in parts], 0)}
         if 'b' in parts[0]:
-            for p, s in zip(parts, starts): p['b'] += s
+            # 非 in-place：b 会被 autograd 的索引反向图引用（APG 的碰撞铰链梯度路径），+= 会让 backward 报 version 错
+            for p, s in zip(parts, starts): p['b'] = p['b'] + s
             for k in ('b', 'i', 'j', 'gap'): out[k] = torch.cat([p.pop(k) for p in parts])   # 逐键拼、拼完即释放
         return out